2332 篇论文
SynNat-BERT 是一个可解释的双模态自监督框架，它利用来自合成和天然产物空间的 170 万个未标记分子，实现了稳健的血脑屏障渗透性预测，并成功识别出新型渗透性支架，在准确性和泛化能力方面均优于现有基准模型。
本文提出并评估了一种用于动态雾-边缘计算中截止日期感知任务分配的可解释数字孪生安全调度框架，证明了轻量级分析数字孪生在性能上能与手工设计的启发式算法相媲美，且显著优于基于价值的深度强化学习基准方法，同时提供了鲁棒的安全保障和预测性诊断。
本文提出了一种针对异构数据中心的双边博弈论框架，该框架通过对负载相关计算效率和拒绝惩罚进行建模，共同优化任务迁移与接受决策，从而实现比现有静态或单边方法更高的系统效用和能源效率。
本文提出了 SOC2I，这是一个由人工智能驱动的框架，通过整合实时异常检测、风险量化和自主缓解机制，将安全运营中心（SOC）的能力适配于无人驾驶飞行器（UAV），旨在弥合传统网络防御与空中信息物理安全之间的差距。
执行治理人工智能（EGA）V9 是一个确定性运行时框架，它通过结合回放一致性、溯源验证以及失效封闭式遏制，在不增加语言模型开销的情况下，实现对执行偏差的 100% 检测且零误报或漏报，从而实现可信的自主工作流，同时透明地承认在事后限制和副作用保证方面的特定局限性。
本文介绍了 Freeze-to-Confirm (F2C)，这是一种针对有状态流式开放词汇分割的恢复策略，该策略通过暂时停止自适应以确认持续性风险，随后恢复模型状态，从而在保持低延迟的同时，显著提升了在多个基准测试中的性能。
该论文提出了 CTDG-IDS，这是一个连续时间动态图表示学习框架，它通过整合记忆更新、超图构建和动态图注意力机制，通过捕捉演化的拓扑结构和时间交互，来有效地检测网络入侵。
本研究评估了 GitHub 作为集成研究基础设施的潜力，发现虽然其原生功能能够有效支持执行和输出阶段，但对于问题构建等上游研究活动仅能提供部分的溯源性，并且需要补充工具来实现全生命周期管理。
CleanScore 是一个采用负控制和敏感性边界的黑盒审计框架，用于区分真正的模型技能与先前的训练数据暴露，它揭示了标准的基于改写（paraphrase）的审计会显著低估训练数据污染的影响，同时证明了公共基准测试中的表面形式膨胀（surface-form inflation）是极小的。
本文提出了一种神经筛选器-推理器（Neural Screener–Reasoner）框架，该框架结合了一个无解析器、线性自注意力检测器与一个检索增强的大语言模型，旨在实现高准确度的日志异常检测，并生成可验证且基于证据的解释，同时有效控制推理成本。