cs 篇论文 | Gist.Science

本文提出了一个面向部署的全面无人机语义分割评估框架，该框架通过整合效率、鲁棒性、校准度以及空间误差分析，超越了传统的 mIoU 指标，旨在为实际应用中最优模型的选择提供指导。

本文提出了一种轻量级、保护隐私的物联网身份验证框架，该框架集成了零信任零知识原则、结合差分隐私的行为联邦学习以及高吞吐量的权威证明区块链，旨在实现 99.2% 的准确率并具备抵御攻击的鲁棒安全性，同时保持低延迟和低成本。

本研究评估了五种机器学习模型在克利夫兰心脏病数据集上的表现，发现经过 0.552 校准阈值的逻辑回归模型取得了最佳性能（准确率 85.71% 和 ROC-AUC 0.939），同时确定了主要血管、胸痛类型和硫胺测试结果为关键预测因子，尽管作者强调在将这些发现推广到不同人群之前需要进行外部验证。

本研究提出了一种基于互联网搜索增强、软提示微调的大型语言模型框架，该框架通过整合结构化提取、针对性证据检索以及专家规则，在保持人工监督的同时，显著提升了医疗保健简历筛选的准确性、可解释性和效率，从而优先筛选合格候选人。

通过对675篇文章的范围综述，本文识别了医疗保健领域内可信人工智能原则定义中存在的显著概念不一致性，并提出了一个统一的框架和研究优先事项，以标准化这些概念并加强该领域的证据基础。

本文表征了边缘节点上仅使用 CPU 进行大语言模型（LLM）推理的性能与内存约束，揭示了内存带宽而非计算能力才是主要的瓶颈，并指出量化反而出乎意料地增加了运行时内存使用量，从而需要一种新的规模化模型来进行准确的部署规划。

该论文介绍了 typic-bert，这是一种紧凑的、拥有 396M 参数的开源编码器模型，它能够高效地在未见任务上生成经过校准的结构化决策，且具有高准确率和对长上下文的鲁棒性，在仅需极少训练资源的情况下，其性能显著优于像 Laya 这样更大的模型。

本文提出了一种用于追踪异构生物医学文献中研究演进的新型可扩展框架，该框架被应用于数字医学领域的 78,073 篇文章，旨在揭示机器学习和生成式人工智能领域不断变化的趋势，同时证明许多看似主题衰落的现象实际上是关键词来源变化所导致的伪影，而非真正的兴趣减退。

本研究表明，广泛报道的机器学习分类器在 UCI 早期糖尿病数据集上的高性能表现，因完全相同及近乎重复的症状谱导致的数据泄露而被显著夸大，这揭示了严格的按谱分组交叉验证会大幅降低准确率估值并改变模型排名。

BTC-FUSION 是一个离线系统，通过结合比特币 P2P 网络元数据与链上分析，利用具备 CoinJoin 感知能力的解析器、梯度提升排序算法以及严格的误差限制回答策略，生成具有可解释性且风险受控的非法活动检测线索，同时承认在针对特定对抗性条件时存在归因准确性的局限性。