cs 篇论文 | Gist.Science

本文介绍了元素变分扩张（Elemental Variational Expanse, EVE），这是一种神经元级变分单元，它通过将确定性的隐藏激活替换为依赖输入的采样潜状态，在保持与标准神经架构兼容的同时，提升了概率预测能力并提供了可衡量的诊断功能。

本文提出了 GeoDualNet，这是首个通过包含五个创新组件的统一几何潜空间，来联合学习视差向量预测与深度图编码的端到端神经编解码器，其在比特率节省和合成视图质量方面均优于传统的 3D-HEVC 及现有的学习型多视图编解码器。

本文介绍了模态条件符合预测（Modality-Conditional Conformal Prediction, MC²），这是一种通过根据模态可用性模式进行分层校准，在无需重新训练模型的情况下，为存在缺失模态输入的多种模态医学诊断模型恢复有效的、具有信息量的覆盖保证的方法。

本文提出了一种增强型被动读写者（EPRW）锁，它是对原始 PRW 锁的用户态适配，在消除轮询模式数据路径所不兼容的心跳机制的同时，保留了可扩展性并增加了诸如锁升级、降级以及非阻塞获取等关键特性。

本文提出了 ICATS，一种以问题为中心的自主思维调度框架，该框架使机器人在动态环境中能够通过将未完成的任务和新出现的风险等多样化因素视为动态问题来优先处理内部认知处理，从而在加权奖励和状态检测方面优于传统的固定基准方法。

本文介绍了一个用于 UAC 护理系统的交互式决策支持仪表板，该系统利用 Python、Streamlit、SQLite 和 Power BI 开发，集成了实时监控、预测分析和情景规划功能，旨在增强公共部门护理经理的运营可见性并促进基于证据的决策制定。

本文提出了 RL-Trust RPL，一种基于强化学习的自适应信任框架，该框架通过监测数据包交付和能量消耗等节点行为来检测并隔离恶意节点，从而缓解组播 RPL 网络中的汇聚攻击（sinkhole attacks），进而增强路由安全性和网络性能。

本文提出了一种结合轻量级 ResNet 模型与自定义遗传算法（GA）驱动优化方案的混合遗传算法与深度学习框架，旨在实现可充电无线传感器网络中快速、节能的簇头选择，从而显著延迟首个节点死亡时间，并在无需传统启发式方法迭代开销的情况下实现近乎实时的性能。

本研究提出了一种利用时空并行 Transformer（STPT）和聚类技术的大数据驱动的可扩展框架，旨在准确预测曼谷的交通事故及死亡人数，从而为增强城市道路安全提供基于证据的政策干预。

本文提出了 PHUE，一种渐进式难度感知欠采样集成方法，该方法通过动态选择决策边界附近的关键多数类样本并采用多指标加权集成，在不平衡数据分类任务中显著优于现有算法。