2329 篇论文
GaussCast 是一个面向多用户分层 3D 高斯泼溅（3D Gaussian Splatting）的依赖感知交付框架，它通过在边缘代理处聚合并发的用户需求，从而仅一次性获取共享的前置数据块，以此显著降低上行流量，并相比于独立的单用户交付策略，提升了启动延迟和渲染质量。
本文提出了状态感知自适应人工蜂群算法（SSA-ABC），该算法通过维度感知初始化、动态搜索调整和基于排名的选择机制，克服了标准人工蜂群算法的局限性，从而在高维优化和机器人路径规划中实现了卓越的性能。
本研究表明，源自大型视觉模型的视觉距离与跨越不同文化单元和时代的专家编码的历史艺术相关性显著相关，这表明互联网规模的视觉训练语料库本身就编码了反映艺术史关系的统计规律。
本文提出了一种约束软行动者-评论家（CSAC）方法，该方法将严格的延迟约束与奖励函数解耦，并采用两阶段映射机制，旨在有效最大化具有突发流量的异构队列系统的吞吐量效用，同时最小化延迟违规，其性能优于无约束学习和启发式基准方法。
本研究表明，在针对 T1 加权 MRI 中的股骨分割任务时，YOLO 系列模型中的 YOLOv11m-seg 在数据匮乏的情况下，在数据效率、准确性和速度之间实现了最佳平衡，在仅有 100 张标注切片时即可实现高性能，并表明随着数据集的增大，架构差异变得微乎其微。
本研究提出了一种利用哈尔离散小波变换（Haar Discrete Wavelet Transform）的高效二维图像压缩方法，旨在最大化压缩比的同时，保持生理图像的临床相关性与诊断可靠性。
BioSurveillance-Agent 是一个多方法可解释的智能体平台，它整合了“全健康”（One Health）网络、可穿戴传感器以及混合人工智能流水线，以实现上下文自适应、层级化的流行病监测与干预，并通过稳健且可由人类审计的决策过程，显著降低了疾病传播率和死亡率。
本文提出了级联多标记消歧模型（CMDT），该模型通过级联多标记预测结构和层次化训练目标，将未来上下文建模直接集成到解码过程中，从而增强了唇语识别性能，进而有效地解决了视觉歧义并降低了基准数据集上的错误率。
本文通过实证研究表明，尽管传统的和非结构化的测试充分性指标与变异分数之间表现出弱相关或无相关性，但潜空间类离散度（LSCD）相比于基于马哈拉诺比斯距离的惊喜覆盖度（Surprise Coverage），在评估深度神经网络测试数据集质量方面，是一个显著更强且计算效率更高的代理指标。
本文对 183 项关于冷启动和数据稀缺推荐场景下的图学习研究（2018–2026）进行了批判性综述，通过基于分类学的分析方法论，强调了亟需更严格的评估协议和更可靠的侧面信息集成，以解决当前证据不均衡的问题。