cs 篇论文 | Gist.Science

本文介绍了 ST-HAE，一种无监督时空混合自编码器，该模型通过仅在良性流量上进行训练，并利用双向时间编码，在具有现实类别不平衡特征的异构物联网网络中实现了高精度异常检测，且与现有方法相比显著降低了误报率和方差。

本文提出了一种基于多模态 Transformer 的方法，该方法整合了视频、音频和姿态数据，以稳健地评估学前儿童在课堂上的注意力水平，并证明了与基准模型相比，该方法在各种专注状态下均具有更优越的性能和稳定性。

本文通过引入 CBEC-AIGC-Bench 数据集并提出 MFF-EComDet（一种结合了空间语义与频率伪影分支以及交叉注意力机制的多特征融合网络，旨在有效区分生成伪影与促销文本干扰），解决了跨境电商中检测 AI 生成产品图像的挑战。

FluxGraph 是一个用于时间序列异常检测的无监督框架，它通过将动态图注意力与通量记忆（flux memory）以及双向特征流相结合，有效地识别工业和汽车系统中细微的伪装异常和渐进的基准漂移，并通过一种新颖的多残差融合方法超越了现有方法。

本文提出了一个多层框架，通过将响应分解为原子断言、利用检索进行锚定，并结合小语言模型与神经符号推理进行验证，从而增强大语言模型的事实可靠性，在保持可解释性和计算效率的同时，在 HotpotQA 和 SciFact 数据集上实现了显著的性能提升。

本文提出了一种知识约束的神经框架，该框架将形式化几何规则嵌入到图补全模型中，以保证伊斯兰几何图案的精确旋转对称性和结构有效性，并证明了虽然数据增强可以提高逼真度，但只有对称结构化的推理才能确保零违规。

GeoMind 是一个自主多智能体框架，它集成了本地大语言模型（LLM）、基于检索增强生成（RAG）的上下文注入以及确定性地理空间验证器，通过闭环自纠正系统实现了高达 90% 的任务成功率和显著提升的地理空间分析精度，有效地克服了通用大语言模型中常见的语义与地理幻觉问题。

本文通过对基于软件定义无线电的非接触式呼吸模式分类中的多层感知机、XGBoost 和随机森林模型进行了统计验证基准测试，证明了 MLP 和随机森林在准确率上优于 XGBoost，同时指出快速呼吸和睡眠呼吸暂停模式是最难以区分的模式，并强调了随机森林由于过拟合而具有更高的泛化差距。

本文提出了一种基于人工智能驱动的智能理疗助手，该助手利用计算机视觉和机器学习技术，通过 Web 界面提供实时姿态分析与纠正反馈，从而在无需物理治疗师持续监督的情况下，实现便捷、低成本且循序渐进的康复训练。

本研究提出了 LGBM-BBB，这是一个用于预测血脑屏障通透性的高速且准确的 Web 服务器，它利用经过优化的 59 个特征集、缩尾异常值处理以及马修斯相关系数阈值优化训练的 LightGBM，以促进高效的神经治疗药物研发。