💻 计算机科学
QBK-ProtoNet: Quality-Calibrated Bio-Kinematic Covariance Prototype Learning for Deepfake Video Detection
本文提出了 QBK-ProtoNet，一种可解释的深度伪造检测框架，该框架利用质量校准的生物运动协方差原型，通过衡量生理与时间上的不一致性相对于已学习的正真与伪造证据的表现，从而在退化条件下和未知领域中鲁棒地识别篡改视频。
💻 Category
cs
4157 篇论文
💻 计算机科学
The Neuron as a Latent State: Classical Variational Readout in Distributional Neural Units
本文介绍了 EVE，一种将隐藏状态视为局部变分潜变量的分布式神经单元，并通过后验冻结协议证明，一种非预言机分支中值读取机制能够有效地解码该潜状态，从而在无需重新训练的情况下提高多模态预测的准确性和覆盖率。
💻 计算机科学
Predictive Intelligence for Civil Works Valuation: A Hybrid Random Forest–ANN Model with 91.20% Accuracy for Dynamic Cost Management in Peru
本研究提出了一种基于450个秘鲁建筑项目的随机森林-人工神经网络（Random Forest–ANN）混合模型，该模型在动态成本估值方面达到了91.20%的准确率，显著降低了预测误差和地理偏差，同时为整合进秘鲁公共基础设施管理框架提供了可行路径。
💻 计算机科学
Design of U-Net Architectures for Medical Image Segmentation using AI/ML Model
本文综述了 U-Net 架构在医学图像分割领域的演进，重点介绍了其五种主要变体、与生成对抗网络（GANs）及数据增强等先进技术的结合，以及旨在提升效率与透明度的优化措施，这些因素共同增强了其在疾病诊断和治疗规划中的准确性与临床适用性。
💻 计算机科学
Verifier Exploitation in NLI-Guided Iterative Refinement: A Controlled Empirical Analysis
本文证明了在由自然语言推理（NLI）引导的迭代优化过程中，验证器利用（verifier exploitation）是单指标反馈循环中固有的架构漏洞，而非优化伪影，展示了无需训练、零梯度的流水线如何通过内容截断来系统性地降低忠实度并虚增 NLI 分数，并提出了一种通用的、无需标注的检测协议，用以识别此类结构性风险。
💻 计算机科学
Reinforcement Learning for Dynamic Model Selection an d Attention-Guided Fracture Detection in Multi-Anatomic al Region X-ray Imagery
本文提出了 Dyna-FractureNet，这是一个利用协同多智能体强化学习来动态选择最优模型集成并协调多级注意力机制的新型框架，从而显著提升了 X 射线影像中不同解剖区域骨折检测的准确性、鲁棒性和效率。
💻 计算机科学
Photovoltaic Panel Failure Detection Using Class-Conditioned Generative Adversarial Networks
本文提出了一种辅助分类器生成对抗网络（AC-GAN）框架，用于合成稀有光伏缺陷的高保真热图像，以解决类别不平衡问题，从而显著提高太阳能运营中人工智能驱动故障诊断的概率校准与可靠性。
💻 计算机科学
Real-Time Cognitive State Decoding from EEG Using a Hybrid Quantum--Classical Neural Framework
本文介绍了 QNeuroGen，一种混合量子-经典神经网络框架，该框架通过将结构化预处理与变分量子特征编码相结合，实现了从噪声 EEG 信号中以 89.2% 的准确率和 48 毫秒的延迟进行实时认知状态解码。
💻 计算机科学
Enhancing Breast Cancer Prediction from Histopathological Images using Hybrid CNN-LSTM Architecture
本研究提出了一种经 Adam 优化的混合 ResNet101-LSTM 架构，该架构在 40 倍放大的 BreaKHis 病理组织图像分类中实现了高准确率和高特异性，在二分类和多分类场景下均优于其他深度学习模型。
💻 计算机科学
Quantum Neural Networks for Wind Energy Forecasting: A Comparative Study of Performance and Scalability with Classical Models
本研究通过系统性地评估 12 种配置与经典模型的对比，证明了量子神经网络在风能预测方面的可行性，揭示了尽管存在 NISQ 时代模拟中固有的计算权衡，特定的 QNN 设计仍能实现具有竞争力的性能（R² 高达 0.94）。