cs 篇论文 | Gist.Science

本文提出了LADMF，一个将大语言模型增强的知识图谱推理与解耦多模态融合以及反事实因果注意力相结合的统一框架，旨在显著提高电子商务转化率预测的准确性，并生成人类可读且忠实的解释。

本文对用于印度尼西亚虚假信息检测的微调后 IndoBERT 模型进行了系统的逐层分析，揭示了关键的谣言相关特征在中间层形成并在高层进行巩固的持续三阶段表征演变过程，同时强调了 [CLS] 与均值池化表示之间的不同功能角色。

本文提出了 DLMC_Net，这是一种结合了定制化 CNN、自适应自注意力模块和 Borderline SMOTE 的新型深度学习框架，旨在通过字节码图像实现多类恶意软件分类的顶尖准确率（99.92%），其性能显著优于已有的基准模型。

本文介绍了一种生成式智能体框架，该框架成功地模拟并量化了“静默离职”现象，揭示了尽管投入策略能显著降低离职意向，但其有效性受到员工人格特质的关键调节，从而为精准化危机管理建立了一个计算测试平台。

本文证明了自然语言指令在隐藏的操作需求面前是脆弱的，揭示了虽然通用提示词无法满足被遗漏的约束条件，但当这些约束条件被明确引导并执行时，性能会显著提升。

本文提出了一种新颖的大语言模型（LLM）增强型决策智能框架，该框架将基于失效模式与效应分析（FMEA）的风险量化与大语言模型的上下文推理相结合，通过参数化模拟以及在 DataCo 智能供应链数据集上的广泛实证测试验证，实现了具有统计显著性且高召回率的实时供应链风险评估。

本文介绍了一个由联合国大会演讲（2005–2024）构成的创新外交反驳语料库，并通过使用时间对齐的微调策略评估了最先进的大型语言模型，旨在为反驳生成中的跨领域泛化建立一个系统性的基准。

CUPID-Med 是一个利用符合性不确定性感知原型发现来生成具有临床可解释性、集合值聚类预测及校准置信度评分的新型框架，在构建无标签医学图像数据方面显著优于确定性基准模型。

本研究提出了一种可解释的双层博弈论深度学习框架，该框架结合了用于特征可解释性的 SHAP 和用于竞争性定价分析的纳什均衡，在预测短期租赁需求方面显著优于传统模型。

本文提出了一种“智能学习估计器”（SLE），这是一种结合了 TGAN、LSTM 和 RWFNN 架构的深度学习增强型卡尔曼滤波器，通过克服传统线性滤波器的局限性，显著提升了低成本 INS/GNSS 导航系统在长时间 GNSS 信号中断期间的精度与鲁棒性。