💻 computer science
Adaptive-Hazard Bayesian Online Change-Point Detection for Text Streams: A Dirichlet-Multinomial Formulation
本文提出了一种针对文本流的自适应风险贝叶斯在线变化点检测方法，该方法通过狄利克雷-多项式公式根据词汇分布漂移动态调整重置概率，证明了在涉及渐进式或微弱词汇变化的情景下，其具有改进的检测性能并降低了延迟。
💻 Category
cs
929 篇论文
💻 computer science
Large scale IoT Intrusion Detection using Isolation Forest and Mutual Information based Feature Selection
本文证明了在处理大规模物联网入侵检测任务时，结合互信息特征选择的孤立森林算法在 NF-ToN-IoT-v3 数据集上通过实现更高的准确率、F1 分数和 AUC，同时保持较低的计算复杂度，其表现优于自动编码器和集成学习方法。
💻 computer science
A Multi-Agent Framework for Explainable Prompt Injection Detection in Large Language Models
本文介绍了 PromptShield，这是一个可解释的多智能体框架，它将基于 Transformer 的语义分析与 SHAP 和 LIME 等 XAI 技术相结合，以有效地检测并解释大语言模型中的提示注入攻击。
💻 computer science
Temporal Multi-Signal Fusion for Token-Level Hallucination Detection
本文提出了一种将幻觉视为序列标注问题的时序多信号融合方法，通过使用 BiGRU 结合文本统计、NLI 蕴含和语言模型惊异度，在利用时序上下文而非模型容量的基础上，在 RAGTruth 上实现了 0.840 的显著 AUC 提升，同时在闭源和未见模型上保持了有效性。
💻 computer science
A Risk-Oriented Verification and Validation Framework for Hallucination Detection in Public-Sector LLM Systems
本文提出了一种面向风险的验证与确认框架，通过引入一个用于指导延迟处理或人工升级等操作决策的综合风险指数，将公共部门大语言模型中的幻觉检测从一个纯粹的技术挑战转变为一个治理问题，从而确保法律确定性与行政问责制。
💻 computer science
Forecasting the Onset of Hallucination: Causal, Token-Level, Black-Box Survival Analysis During Generation
本文引入了一种因果性的、标记级（token-level）的生存分析框架，该框架通过检测文本新颖性漂移（text-novelty drift），成功地在大型语言模型产生幻觉之前对其进行预测，实现了 0.777 的 AUROC，并比传统的后验检测器提前约 11 个标记发出预警。
💻 computer science
NPDO: Neural Prediction Direction Optimizer for Fast VVC Intra Coding
本文提出了 NPDO，一种结合了多尺度特征提取与层次化 CNN 和 Vision Transformer 架构的混合神经网络框架，旨在智能地剪枝 VVC Intra 预测搜索空间，与 VTM 23.0 参考模型相比，在仅增加 1.18% BD-Rate 的情况下，实现了 54.0% 的编码时间缩减。
💻 computer science
ADONIS: Adaptive Digital Twin-Driven Orchestration for Network-Intelligent Slicing in 6G Edge Environments
本文提出了 ADONIS，这是一个用于 6G 网络切片的去中心化框架，它利用分层边缘联邦数字孪生架构、时空图神经网络调度器以及一种新型增量编码协议，旨在最小化同步开销和 SLA 违约，同时确保资源分配的收敛性。
💻 computer science
Mining Focus-Aware Dense Subgraphs in Dynamic Multilayer Networks with Adaptive Updates
本文提出了聚焦感知自适应稠密子图（FAADS）框架，该框架通过增量更新机制在动态多层网络中高效挖掘高质量稠密子图，在保持近乎最优的密度质量的同时，实现了较现有最先进方法显著的速度提升。
💻 computer science
Deep Learning for Student Outcomes Temporal Deep Learning for Student Outcome Prediction: Comparing Multi-Task and Single-Task Approaches on the OULAD Dataset
本研究利用 OULAD 数据集证明，虽然 BiLSTM 模型在预测学生及格/不及格以及退学结果方面优于梯度提升基准模型，但尽管任务间存在中度相关性，多任务学习架构相比单任务方法并未提供显著优势，这表明这些结果依赖于部分不同的行为模式。