cs 篇论文 | Gist.Science

本研究表明，一种集成差分隐私、同态加密和智能合约的模块化联盟链框架，在医院死亡率和放射学任务中达到了与标准联邦学习临床等效的效果，证明了稳健的隐私和安全措施不会损害预测效用。

本文引入了“崩溃距离”（collapse distance）——一种用于量化网络失效接近程度的可配置安全裕度指标，并提出了 TCR-GIN，这是一种物理启发式的图学习框架，能够高效且准确地估计该指标，从而在各类复杂网络中实现实时安全管理和预警信号。

本文提出了 AVTF-Net，这是一个结合了改进的 AlexNet 和经过微调的 BERT，并利用早期融合与注意力机制来有效检测虚假新闻以捕捉跨模态不一致性的多模态深度学习框架，在 Fakeddit 数据集上实现了 95.80% 的准确率，达到了最先进的性能。

本文提出了一种轻量级、资源高效的 OCR 后处理纠错流水线，专门通过结合图像预处理、基于词典的纠错以及基于规则的恢复技术来解决越南语扫描文档中的声调符号错误，从而提高其准确性，为低资源数字化场景提供了一个实用的基准。

本研究采用以候选人为中心的框架，旨在证明在印度背景下，信任是求职者使用人工智能驱动的人才招聘系统意向的最强预测因子，并显著中介了公平性、透明度和隐私等伦理担忧所产生的影响。

本文提出了一种利用低秩自适应（LoRA）和量化技术的高效资源微调方法，旨在将大型视觉-语言-动作模型成功部署在价格低廉的消费级机器人平台上，并证明了在有限数据下实现有效的现实世界操控性能。

本文提出了一种基于 LSTM 的深度学习框架，该框架利用加密网络流特征进行迁移学习，旨在无需解密载荷的情况下检测勒索软件，并证明了 12 至 18 个月的重训练周期对于对抗时间模型漂移的至关重要性，同时通过集成到 Wazuh SIEM 中的基于置信度的集成系统实现了高检测准确率。

这项针对 2020 年至 2026 年文献的系统性综述评估了沉浸式虚拟现实对多样化教育成果的影响，发现虽然虚拟现实显著增强了参与度、留存率和概念理解，但其广泛应用目前仍受到成本、晕动症和教师培训不足等障碍的阻碍，从而为自适应学习、分析技术和伦理实施方面的未来研究勾勒出了一份路线图。

本文建立了预测编码网络动力学与 Pearl 的 do-演算之间的形式对应关系，通过理论推导以及在临床基准测试上的经验验证，证明了特定的架构干预能够使这些网络准确地执行因果推理，并在估计干预效应方面优于标准的关联模型。

本文提出了人工智能辅助音乐创作框架（AAMCF），这是一个概念性的五层架构，旨在利用神经音高修正、生成式和声以及自适应反馈，使患有乐感缺失症（amusia）的个体能够进行音乐创作与感知，并概述了其理论基础、评估指标以及面向未来实证验证的伦理考量。