💻 计算机科学

Reproducibility-Aware Evaluation of Hierarchical Multiple- Instance Learning for Patient-Level Thrombosis Detection from Compression Ultrasound

本研究表明,最初报道的层级多实例学习在患者级血栓检测方面优于固定帧基准线的结论,实际上是由于环境不一致性所导致的伪影,且在受控条件下未能复现,从而反驳了关于模型具有稳定优势的说法。

Lei Jiao, Zhen Zhou, Hongsheng Yin, Jinhu Ma, Chuanhe Qian, Tao Li, Hao Zhang2026-10-19
💻 计算机科学

An Open-Agent Framework for Intelligent Compliance Analysis in Infrastructure as Code Using Large Language Models

本文提出了一种新颖的开放式智能体框架,该框架将 Open Policy Agent 的确定性策略执行与大语言模型驱动的上下文推理相结合,旨在为基础设施即代码(IaC)提供精确、可审计的合规性分析与修复指导,并证明了其相对于传统静态分析工具在性能上具有统计学意义上的显著提升。

Ayah Al-Jabali, Mu'awya Al-Dala'ien2026-10-19
💻 计算机科学

Privacy-Preserving Artificial Intelligence in Digital Learning: A Systematic Review of Federated Learning, Differential Privacy, Security, and Educational Utility in Higher Education

这项针对高等教育中隐私保护人工智能的 33 项研究进行的系统综述发现,虽然联邦学习和差分隐私等技术可以维持学习效用,但该领域目前缺乏严格的安全评估、现实世界中的多机构部署以及对教育影响的全面评估。

ADESEGUN NURUDEEN OSIJIRIN, Oliver Okechukwu, Leonard C. Anigbo2026-10-19
💻 计算机科学

A candidate-centred heterogeneous model ensemble improves semi-supervised segmentation of 3–<6 mm pulmonary nodules over a single enhanced Mean Teacher: internal and external testing

本研究表明,一种开发锁定的异构模型集成在内部和外部测试中,对于小型(3–<6 mm)肺结节的半监督分割效果均优于单一的增强型 Mean Teacher,尽管这种微小的提升并不能明确证明异构目标函数能带来超越一般集成效应的益处。

Hao Li, Zhenhua Zhu, Xiaoxiao Wang, Yong Cheng, Fang Li2026-10-19
💻 计算机科学

Locality-Preserving Sketch Token Fusion for High-Fidelity Single-View 3D Reconstruction

本文提出了一种名为局部保持草图标记融合(Locality-Preserving Sketch Token Fusion)的新型框架,该框架通过双路径表示和交叉注意力网格采样器来保持局部草图细节,从而实现高保真单视图 3D 重建,有效地克服了现有全局特征压缩方法中固有的几何细节丢失问题。

Lei Qinchuan, Li Nannan, Zhong Jiaming, Luo XianZeng, Zhao Min2026-10-19
💻 计算机科学

Leakage-Controlled Multimodal Prediction of Piano Performance Expressivity Using Sequential and Engineered MIDI Representations

本文提出了一种残差交叉门控双支路 MIDI 注意力融合网络(RCG-DMAF-Net),通过将序列化音符事件与工程化描述符相结合来预测钢琴演奏的表现力,并通过一项控制了信息泄漏的评估实验证明,多模态融合显著提升了预测准确度,优于仅基于序列的模型,并识别出踏板使用、力度变化和速度变化是驱动表现力的关键因素。

Geping Jin, Dian Jin2026-10-19
💻 计算机科学

CART Rule-Guided Diffusion and AI-Synthesized User Preferences for New Media Art Generation

本文提出了一种由 CART 规则引导的扩散模型,该模型利用条件生成对抗网络(GAN)来合成大规模用户偏好数据,并将可解释的决策树规则集成到扩散采样过程中,在显著提升新媒体艺术生成的美学质量与个性化水平的同时,克服了人类数据收集带来的伦理与成本障碍。

Caixian Ye, Lijun Xu, Jun Tang2026-10-19