cs 篇论文 | Gist.Science

本文通过引入一个包含 7,200 个标注视频剪辑的新基准数据集，以及一个能够根据专业演示自动评估学生动作质量并取得理想性能指标的基线模型，解决了在大规模大学羽毛球课程中提供个性化反馈的挑战，为智能体育教育辅助提供了支持。

本文提出，大型语言模型的有效推理并非仅仅源于低维推理流形，而是源于一种平衡了表达力、压缩率与信息保持能力的特定约束结构机制，从而实现了一种基于内部几何动力学的新型无标签诊断框架。

本文介绍了 Aux-AI，这是一个联邦独立监督框架，其特征在于一个解耦的信任-决策核心（Trust-Decision Core），通过比现有安全监控器更有效地检测硬件诱发的故障和分布外偏移，从而以卓越的准确性、实时吞吐量和能效确保了具备信任感知的工业自主性。

TopoNet 是一个拓扑引导的双分支框架，通过将源自持续同调的空间注册拓扑特征与基于外观的线索通过跨分支注意力机制进行整合，从而增强体积医学图像分类，进而提高准确性、鲁棒性和可解释性。

本文识别并分析了 CVE-2026-0628，这是一个存在于 Google Chrome Gemini Live AI 侧边栏中的严重权限提升漏洞，该漏洞允许具有基础权限的扩展程序访问敏感的浏览器级资源，研究表明 73.9% 的受分析扩展程序都拥有利用这一安全缺陷所需的权限。

本研究表明，将大语言模型作为编辑助手来优化医生的书面回复，而非作为自主生成器，能够在保持事实准确性的同时显著提升感知的共情能力，并得到了用于评估情感基调和医学精准度的创新定量指标的支持。

本文介绍了 GRACE，这是一个新颖的大语言模型框架，它通过迭代优化假设与证据，在无需预先指定聚类数量的情况下，自动发现异质性多模态数据中的最佳临床亚群数量，并在长新冠（Long COVID）和帕金森病队列中得到了验证。

本综述通过为56个系统及其证据可靠性引入一个多维框架，使碎片化的自主研究领域系统化，揭示了在生成研究产物的能力与在发布前对其进行稳健验证机制以进行辩护的能力之间存在着关键差距。

本文介绍了 MOGA-NAS，这是一种多目标进化算法，通过同时最大化 F1 分数并最小化参数数量，有效地平衡了临床表格分类任务中的预测性能与模型紧凑性，从而在五个公开基准测试中实现了显著更小的模型规模以及更优或相当的准确率。

本文提出了一种联邦学习安全方案，该方案结合了阈值 Paillier 同态加密、基于数据质量的选择性解密机制以及 ECDSA 数字签名，在有效防御推理攻击和篡改攻击的同时，将训练效率提升了约 10%。