cs 篇论文 | Gist.Science

本文提出了 GSCANet，这是一个具有门控脉冲交叉注意力模块的多模态视听学习框架，该模块通过显式地调节信息流，证明了利用联合查询-值驱动信号对注意力输出进行门控处理，能显著提升该模型在情感识别数据集上相对于基准模型的性能。

本文介绍了 MonoClub，这是一个通过整合人体尺度先验、几何与外观线索以及时间一致性，来克服运动模糊和遮挡等挑战，从而在单目视频中可靠地定位高尔夫球杆头部和杆身的姿态引导框架。

本研究表明，尽管 GPT-5 Pro 系列通过零样本至少样本提示，能够显著加速并准确地实现系统评价中数据提取和偏倚风险评估的自动化，但其在全文筛选方面表现仍然不足，因此需要采用人工在环的混合工作流来进行检索式生成和文献筛选，以确保可靠性。

本文介绍了一种名为 CrossKAN 的轻量级多能负荷预测模型，该模型集成了由人工旅鼠算法优化的 Kolmogorov–Arnold 网络头部以及三重相关性特征选择技术，在显著提高预测准确性的同时保持了计算效率。

本文评估了四种机器学习模型在跨多个数据集和偏移机制的渐进式表格分布偏移下的耐用性，揭示了虽然初始洁净性能能强力预测绝对耐用性，但相对保留指标可能会产生误导，并且特定的监测策略（如 DoC 或随机森林回归器）在取决于数据可用性的情况下，对于检测运行故障是最优的。

本文介绍了 ThyroNet，这是一种结合了 CNN、BiLSTM 和 DNN 层的混合深度学习模型，通过有效分析临床和病理特征来预测甲状腺癌复发，从而实现高准确率（测试准确率 94.81%），以支持个性化治疗方案的制定。

这篇批判性综述绘制了人工智能方法在传感器开发全生命周期中的成熟度图谱，将校准和材料筛选等领域中已商业化部署的能力，与在端到端生命周期压缩方面仍处于很大程度上基于预测的说法进行了区分，同时识别了关键的数据缺口及未来验证的条件。

本文表明，对于基于 Mamba 的跨领域方面级情感分析，简单的末词标记池化结合伪标签自适应，比复杂的聚合方法或复杂的池化策略更为有效，尽管与 BERT 相比，目前的实现效率尚存不足。

本研究表明，通过将全文、引用和图像数据与标题及摘要信息相结合，增强癌症研究中基于机器学习的论文工厂检测，可以显著提高模型的准确性，在内部验证中达到 98.2%，在外部验证中达到 96.4%。

本文表明，虽然在 FEVER 声称验证中的冲突感知弃权提供了一种解释性的拒绝回答依据，但在相同覆盖水平下，它未能比标准的基于置信度的排序提高选择准确度，并且在应用于科学证据时表现不佳。