💻 计算机科学
A new impact for an AI-mediated science
本文认为，在期刊去中心化和人工智能介导知识获取的时代，传统的基于引用的科学影响力指标正趋于过时，因此有必要建立一套新的系统，以认可并衡量人工智能参与、开源库以及缺乏正式出版物的数据集所做出的贡献。
💻 Category
cs
4157 篇论文
💻 计算机科学
Queue-Aware Task Offloading in the ComputingContinuum under Dynamic Workloads
本文提出了一种面向计算连续体的队列感知型任务卸载方法，该方法将经过解析修正的 G/G/c 延迟近似与实时队列观测相结合，以在可变工作负载下动态分配任务，从而在无需训练或校准的情况下，与现有基准相比显著降低了延迟和估计误差。
💻 计算机科学
DPENet: A Dynamic Perception Enhancement Network for Object Detection in Remote Sensing Images
本文提出了 DPENet，一种动态感知增强网络，该网络通过集成自适应动态卷积、可变形注意力机制和动态采样模块，有效地解决了高分辨率遥感图像检测中目标尺寸变化、密集小目标以及复杂背景等挑战。
💻 计算机科学
E-Taste Signal Encoding and Classification via Multi- Attention Residual Networks Using sEMG Streams in Virtual Sensory Systems
本研究引入了一种新颖的 MACB-ResNet 深度学习模型，该模型显著提高了通过面部表面肌电图 (sEMG) 信号对虚拟味觉刺激进行分类的准确率，达到 86.32%，优于用于数字健康和食品技术领域的传统及标准深度学习分类器。
💻 计算机科学
Enhanced Seam Segmentation for Automated Welding Robot in Construction Through Transfer Learning: Addressing Limitations of Bilateral Segmentation Network
本研究提出了一种基于迁移学习的框架，该框架通过结合混合交叉熵-Lovász损失函数来增强 BiSeNetV2，旨在实现建筑领域自主机器人焊接中鲁棒且实时的焊缝分割，在不增加计算复杂度的前提下显著提升了在反射表面上的性能。
💻 计算机科学
TITAN: Three-Tier Intrusion-Detection Tree-Based Adaptive Network for Industrial Internet of Things
TITAN 是一种用于工业物联网入侵检测的新颖三层联邦学习架构，它通过仅交换预测输出和设备摘要，利用自适应知识蒸馏和贝叶斯聚合，克服了非独立同分布（non-IID）数据和类别不平衡的挑战，在无需共享原始数据或梯度的情况下，实现了优于现有方法的宏平均 F1 分数（macro-F1 performance）。
💻 计算机科学
Privacy-Utility Tradeoffs in Hierarchical Federated Learning Under Combined Differential Privacy and CKKS Homomorphic Encryption for Distributed Healthcare Networks
本文提出了一种用于医疗保健的分层联邦学习框架，该框架将客户端层级的差分隐私与机构层级的 CKKS 同态加密相结合，证明了虽然差分隐私会产生取决于隐私预算的可衡量的准确度损失，但同态加密不会引入效用退化，从而隔离并量化了每种机制各自不同的隐私与效用权衡。
💻 计算机科学
Automatic Prosodic Audio Description Modeling
本文提出了一个将语义叙事生成与韵律音频描述建模相结合的统一框架，证明了基于参考的合成能够有效捕捉基频和语速等情感细微差别，从而增强面向视障用户的无障碍体验，尽管仍需进行感知验证。
💻 计算机科学
CD-LHBC: A Consensus-Driven Lightweight Hierarchical Blockchain for Digital Cousin Networks
本文提出了 CD-LHBC，一种用于数字表亲网络（Digital Cousin Networks）的共识驱动轻量级分层区块链，该架构通过整合区域子链、协调链以及动态数字表亲一致性评分，在存在高达 25% 恶意节点的多区域环境中实现了低延迟、容错的同步。
💻 计算机科学
Environment-specific, data-driven radiation source detection, localization and tracking via a sensor network and ensembles of randomized decision trees
本文提出了一种利用传感器网络和随机决策树集成进行数据驱动的方法，用于在复杂环境中准确检测、定位和追踪放射源，证明了其相对于传统方法的优越性能，同时消除了对详细辐射传输建模的需求。