4157 篇论文
本研究引入了 MDQ-3L 框架，用于对空气污染预测中的经典、深度及量子机器学习模型进行基准测试，揭示了虽然在 NISQ 约束条件下，像 CatBoost 和 DBN 这样的经典模型目前仍优于量子方法，但所提出的多指标评分系统能有效识别结构性局限，并为未来混合环境建模中低纠缠量子电路的选择提供指导。
本文提出使用低资源 CUT-GAN 来生成合成乳腺 X 线摄影切片，以用于在资源受限的环境下训练深度学习模型，并证明了虽然合成数据相比于无数据能提高模型性能，但目前其准确率（0.751 AUC）仍低于使用真实图像进行训练的准确率（0.913 AUC）。
本文提出了一种具有集成 gshare 分支预测器和独立于主机的 FPGA 内置 VGA 可视化单元的可综合五级 RV32IM 流水线，该流水线在实现实时流水线内省和位精确功能验证的同时，实现了相比静态基准 2.33 倍的性能提升。
本文提出了一种基于轻量化深度时空特征提取的双注意力机制 EEGNet（CSFE-DAE）框架，该框架结合了共空间模式与双注意力机制，在 EEG 信号上实现了 97.59% 的帕金森病检测前沿精度。
本研究利用四阶段（Four-D）开发模型来创建并验证一套面向小学的基于人工智能的学习管理系统，专家认为该系统具有高度的可行性，并且在提升学生计算思维能力（特别是分解、抽象和算法方面）方面非常有效。
本文提出了一种特征自适应融合混合量子-经典神经网络（FAF-HQNN），该网络通过动态权衡经典与量子预测，以在生物医学图像分类任务中实现卓越的准确性和对噪声的鲁棒性。
本文提出了 ACDGRec，一种鲁棒的推荐模型，该模型将对抗训练和对比学习集成到基于扩散的图神经网络中，通过捕捉潜在的用户上下文相关性，有效地解决数据稀疏、冷启动问题以及输入不稳定性。
本文提出了一种感知命名数据网络（NDN）的协作式多智能体深度确定性策略梯度（MADDPG）框架，该框架利用去中心化学习和专门的状态表示来有效缓解命名数据网络中的缓存污染攻击，证明了其与单智能体及传统方法相比具有更优越的缓存效率、更快的收敛速度以及更强的韧性。
本文提出了一种线性映射增强型近端策略优化（LME-PPO）框架，该框架利用深度强化学习来优化智能城市边缘计算环境中的动态负载均衡并降低系统延迟，通过有效地映射复杂任务空间并确保各边缘服务器之间的计算平衡来实现这一目标。
本文提出了一种带有博弈论激励机制的多智能体强化学习框架，旨在实现自主学习型区块链参与者之间的共识，证明了策略能够收敛至公平且具对抗容忍性的均衡，同时识别了特定的架构局限性并完善了理论收敛保证。