cs 篇论文 | Gist.Science

本文提出了一种基于轻量化深度时空特征提取的双注意力机制 EEGNet（CSFE-DAE）框架，该框架结合了共空间模式与双注意力机制，在 EEG 信号上实现了 97.59% 的帕金森病检测前沿精度。

本研究利用四阶段（Four-D）开发模型来创建并验证一套面向小学的基于人工智能的学习管理系统，专家认为该系统具有高度的可行性，并且在提升学生计算思维能力（特别是分解、抽象和算法方面）方面非常有效。

本文提出了一种特征自适应融合混合量子-经典神经网络（FAF-HQNN），该网络通过动态权衡经典与量子预测，以在生物医学图像分类任务中实现卓越的准确性和对噪声的鲁棒性。

本文提出了 ACDGRec，一种鲁棒的推荐模型，该模型将对抗训练和对比学习集成到基于扩散的图神经网络中，通过捕捉潜在的用户上下文相关性，有效地解决数据稀疏、冷启动问题以及输入不稳定性。

本文提出了一种感知命名数据网络（NDN）的协作式多智能体深度确定性策略梯度（MADDPG）框架，该框架利用去中心化学习和专门的状态表示来有效缓解命名数据网络中的缓存污染攻击，证明了其与单智能体及传统方法相比具有更优越的缓存效率、更快的收敛速度以及更强的韧性。

本文提出了一种线性映射增强型近端策略优化（LME-PPO）框架，该框架利用深度强化学习来优化智能城市边缘计算环境中的动态负载均衡并降低系统延迟，通过有效地映射复杂任务空间并确保各边缘服务器之间的计算平衡来实现这一目标。

本文提出了一种带有博弈论激励机制的多智能体强化学习框架，旨在实现自主学习型区块链参与者之间的共识，证明了策略能够收敛至公平且具对抗容忍性的均衡，同时识别了特定的架构局限性并完善了理论收敛保证。

本研究利用结构方程模型证明，虽然人工智能驱动的网络安全意识和数字素养能显著促进人工智能网络安全系统的采用，但对这些系统的信任并不直接影响行为意向，这凸显了组织优先发展网络安全意识和数字素养，而非仅仅侧重于建立信任的紧迫性。

本文介绍了 DustFormer，一种基于深度学习的编码器-解码器框架，它能够同时对 RGB 图像进行粉尘分割和密度估计，在环境监测、精准农业和智能感知应用方面实现了高精度和高鲁棒性。

本文提出了一种通过自动符号化和循环边界策略增强的定向符号执行方法，旨在高效验证过程间控制流路径的可行性，并证明了在应用于实际项目和静态分析集成时，其召回率和精确度均优于 KLEEF 等现有工具。