cs 篇论文 | Gist.Science

本文针对将 TrOCR 用于中世纪手写文本识别进行了系统的消融研究，证明了特定的层冻结策略以及移除对比度归一化可以在小型历史数据集上实现具有竞争力的准确率，同时提供跨数据集验证和可解释性见解。

本研究提出了一种使用 UNSW-NB15 数据集进行网络入侵检测和多类攻击分类的深度学习框架，通过优化的数据预处理和类别平衡技术，证明了 RNN-LSTM 架构凭借 97.42% 的准确率优于 ANN 和 CNN 模型。

本文表明，基于 ClinicalTrials.gov 公开临床试验方案特征训练的可解释机器学习模型，能够准确预测小分子药物试验的技术与监管成功概率，其表现优于标准基准，并为风险调整后的估值提供了一种可复现的工具。

本文提出了一种名为 SupCon-Mamba 的少样本高光谱目标检测框架，该框架集成了一个局部上下文编码机制、一个用于高效多尺度光谱建模的金字塔 Mamba 模块，以及一种旨在消除假阴性并以极少标注样本实现卓越检测性能的有监督对比学习方法。

LGAgent 是一个结构化、规则引导的多智能体框架，它利用不同规模的大语言模型之间的协作交互来模拟专业的法律工作流，从而提供比标准单模型方法更具可解释性、可验证性且更卓越的审判推理。

本文介绍了 AIMAPP，这是一个自监督、兼容 ROS 的框架，它通过利用主动推理（Active Inference）动态构建稀疏拓扑地图，并在不依赖预定义地图或预训练的情况下，实现探索与目标导向导航之间的平衡，从而为陌生环境中的自主机器人统一了在线建图、定位与规划功能。

本文提出了一种混合比特币预测引擎，该引擎将排列熵引导的双层信号分解（CEEMDAN-VMD）与多群智能优化深度神经网络相结合，证明了其在准确率和方向预测方面较基准模型及单群优化替代方案具有统计学意义上的显著优越性能。

本文提出了一种贡献感知型联邦边缘学习算法（CA-FE-MADDPG），该算法通过整合空间干扰建模、细粒度惩罚机制以及启发式引导初始化，旨在解决大规模物联网网络中的频谱干扰、不公平的信用分配以及环境非平稳性问题，从而显著提升系统吞吐量、接入率及服务质量。

本文提出了一种名为 ADEST-U-Net 的双编码器架构，该架构利用从 MRI 脑肿瘤模型中进行的跨器官和跨模态迁移学习，旨在显著提高数据匮乏条件下 CT 扫描中肝脏肿瘤分割的准确性并减少误报。

本文提出了一种由五个智能体组成的生成式人工智能框架，该框架将技术分析、基本面分析、情绪分析与异常检测及基于大语言模型的推理相结合，为印度股票市场提供具有可解释性且具备置信度感知能力的预测，实现了72%的方向准确率和78%的跨智能体共识。