929 篇论文
本研究引入了一种新颖的 MACB-ResNet 深度学习模型，该模型显著提高了通过面部表面肌电图 (sEMG) 信号对虚拟味觉刺激进行分类的准确率，达到 86.32%，优于用于数字健康和食品技术领域的传统及标准深度学习分类器。
本研究提出了一种基于迁移学习的框架，该框架通过结合混合交叉熵-Lovász损失函数来增强 BiSeNetV2，旨在实现建筑领域自主机器人焊接中鲁棒且实时的焊缝分割，在不增加计算复杂度的前提下显著提升了在反射表面上的性能。
TITAN 是一种用于工业物联网入侵检测的新颖三层联邦学习架构，它通过仅交换预测输出和设备摘要，利用自适应知识蒸馏和贝叶斯聚合，克服了非独立同分布（non-IID）数据和类别不平衡的挑战，在无需共享原始数据或梯度的情况下，实现了优于现有方法的宏平均 F1 分数（macro-F1 performance）。
本文提出了一种用于医疗保健的分层联邦学习框架，该框架将客户端层级的差分隐私与机构层级的 CKKS 同态加密相结合，证明了虽然差分隐私会产生取决于隐私预算的可衡量的准确度损失，但同态加密不会引入效用退化，从而隔离并量化了每种机制各自不同的隐私与效用权衡。
本文提出了一个将语义叙事生成与韵律音频描述建模相结合的统一框架，证明了基于参考的合成能够有效捕捉基频和语速等情感细微差别，从而增强面向视障用户的无障碍体验，尽管仍需进行感知验证。
本文提出了 CD-LHBC，一种用于数字表亲网络（Digital Cousin Networks）的共识驱动轻量级分层区块链，该架构通过整合区域子链、协调链以及动态数字表亲一致性评分，在存在高达 25% 恶意节点的多区域环境中实现了低延迟、容错的同步。
本文提出了一种利用传感器网络和随机决策树集成进行数据驱动的方法，用于在复杂环境中准确检测、定位和追踪放射源，证明了其相对于传统方法的优越性能，同时消除了对详细辐射传输建模的需求。
本文提出了质量约束的偏好衰减（Quality-Constrained Preference Fading, QCPF）模型，该模型通过使用质量感知混合分布和假阴性过滤机制来取代均匀随机采样，从而生成更具信息量的偏好退化轨迹，以此增强离散扩散推荐，进而显著提升 Top-K 推荐性能且不增加推理延迟。
本文提出了一种结合图神经网络与随机森林的混合钓鱼 URL 检测模型，旨在实现比传统机器学习及其他 GNN 方法更高的准确率并降低误报率。
本文提出了一种利用大语言模型驱动的自主智能体来实现多智能体架构的方法，通过自动化测试生成、执行、自愈和缺陷分拣，并从历史结果中持续学习，以解决传统脚本测试的局限性，从而实现自我导向的软件质量保证。