cs 篇论文 | Gist.Science

本文提出了一种名为 SupCon-Mamba 的少样本高光谱目标检测框架，该框架集成了一个局部上下文编码机制、一个用于高效多尺度光谱建模的金字塔 Mamba 模块，以及一种旨在消除假阴性并以极少标注样本实现卓越检测性能的有监督对比学习方法。

LGAgent 是一个结构化、规则引导的多智能体框架，它利用不同规模的大语言模型之间的协作交互来模拟专业的法律工作流，从而提供比标准单模型方法更具可解释性、可验证性且更卓越的审判推理。

本文介绍了 AIMAPP，这是一个自监督、兼容 ROS 的框架，它通过利用主动推理（Active Inference）动态构建稀疏拓扑地图，并在不依赖预定义地图或预训练的情况下，实现探索与目标导向导航之间的平衡，从而为陌生环境中的自主机器人统一了在线建图、定位与规划功能。

本文提出了一种混合比特币预测引擎，该引擎将排列熵引导的双层信号分解（CEEMDAN-VMD）与多群智能优化深度神经网络相结合，证明了其在准确率和方向预测方面较基准模型及单群优化替代方案具有统计学意义上的显著优越性能。

本文提出了一种贡献感知型联邦边缘学习算法（CA-FE-MADDPG），该算法通过整合空间干扰建模、细粒度惩罚机制以及启发式引导初始化，旨在解决大规模物联网网络中的频谱干扰、不公平的信用分配以及环境非平稳性问题，从而显著提升系统吞吐量、接入率及服务质量。

本文提出了一种名为 ADEST-U-Net 的双编码器架构，该架构利用从 MRI 脑肿瘤模型中进行的跨器官和跨模态迁移学习，旨在显著提高数据匮乏条件下 CT 扫描中肝脏肿瘤分割的准确性并减少误报。

本文提出了一种由五个智能体组成的生成式人工智能框架，该框架将技术分析、基本面分析、情绪分析与异常检测及基于大语言模型的推理相结合，为印度股票市场提供具有可解释性且具备置信度感知能力的预测，实现了72%的方向准确率和78%的跨智能体共识。

本文提出了一种用于工业5.0教育环境下的以人为本调度管理软件框架，该框架集成了时型感知优化、自适应准则权重分配以及智能决策支持，旨在显著提高调度质量、学生福祉和学术成果，同时确保所有参与群体之间的公平性。

本文提出了 AgileOps 智能体框架（AAF），这是一个多智能体决策支持系统，它将专业的 DevOps、SRE、FinOps 和 DevSecOps 推理与可解释且基于证据的分析相结合，旨在帮助项目经理将碎片化的运维遥测数据转化为可操作的治理建议，并通过受控场景和真实微服务基准测试进行了验证。

本文介绍了 SWIFT，这是一个无梯度、白盒框架，通过将稀疏转向向量手术式地注入对齐大语言模型的深层关键层，以实现高可审计性、可逆性和局部性的被抑制能力的恢复，在修改不足 1% 参数的情况下，用不到 10 秒的时间达到了接近全监督微调的性能。