cs 篇论文 | Gist.Science

本文提出了 DP-DCGAN，一种通过采用自适应梯度裁剪和噪声注入来实现在标准数据集上达到隐私保护与高质量图像合成之间卓越平衡的差分隐私增强型深度卷积生成对抗网络。

本文为 CloudSimPlus 引入了一种由人工智能驱动的自适应负载均衡功能，该功能利用预训练的决策树模型，根据实时指标和用户定义的决策目标，从统一的策略框架中动态选择最合适的策略，从而增强动态云环境中的效率和决策能力。

本文认为，在SDN-IoT入侵检测系统中，相比于仅仅依赖差分隐私，优先考虑通过增强模型泛化能力来防止过拟合，是缓解成员推理和属性推理攻击更有效的策略，并据此提出了一种混合AOPRF-XGBoost级联模型，以在保持高检测准确率的同时保护隐私。

本文提出了 LA-MOCHS，一种具有生命周期感知能力的进化框架，该框架通过将服务能力建模为子模影响最大化问题，解决了水下无线传感器网络中的多目标簇头选择问题，从而通过负担感知部署策略而非单轮最优性，实现了卓越的长期网络可持续性。

本文提出了一种面向资源受限环境的隐私保护型学生风险早期预测框架，该框架集成了经过校准的 XGBoost 模型、基于 SHAP 的可解释性以及预算感知型智能体干预层，旨在确保决策的准确性、可解释性与合规性，同时支持机器学习遗忘。

本文介绍了 CerebroTune，这是一种新型仿生混合元启发式算法，它将元胞自动机、改进的人工蜂群算法以及结合了 Hopfield 网络强化学习的方法相结合，通过动态优化深度学习超参数，在不同领域中实现了比现有方法更高的准确度、更低的计算成本以及更强的稳定性。

本文提出了一种具有双层信息共享框架和动态帕累托支配机制的改进型金矿优化算法（IGMO-DP），通过同时优化任务完成时间、能量消耗和负载均衡，有效解决异构无人机集群的多目标调度问题，并证明了其相比于现有先进算法具有更优越的收敛性和解的多样性。

本文认为，在期刊去中心化和人工智能介导知识获取的时代，传统的基于引用的科学影响力指标正趋于过时，因此有必要建立一套新的系统，以认可并衡量人工智能参与、开源库以及缺乏正式出版物的数据集所做出的贡献。

本文提出了一种面向计算连续体的队列感知型任务卸载方法，该方法将经过解析修正的 G/G/c 延迟近似与实时队列观测相结合，以在可变工作负载下动态分配任务，从而在无需训练或校准的情况下，与现有基准相比显著降低了延迟和估计误差。

本文提出了 DPENet，一种动态感知增强网络，该网络通过集成自适应动态卷积、可变形注意力机制和动态采样模块，有效地解决了高分辨率遥感图像检测中目标尺寸变化、密集小目标以及复杂背景等挑战。