cs 篇论文 | Gist.Science

本文介绍了 RADAR，一种基于强化学习和熵的智能体，它通过动态优化微服务遥测采样，在大幅降低资源消耗的同时，保留了关键的可观测性和数据质量。

本文通过实证研究表明，基于深度学习的网络入侵检测系统在不同数据集和特征集下均极易受到对抗性规避攻击的影响，揭示了这种脆弱性是学习到的决策面本身固有的属性而非特定于数据集的问题，并提出了一种特征脆弱性指数，用以识别哪些输入特征最易受到扰动。

本文提出了 Attack-Fed，这是一个两层联邦学习框架，通过结合攻击感知聚类与原型引导的跨簇知识传递，在实现专门化学习的同时利用互补的攻击专业知识，从而解决了入侵检测中的标签空间异构问题。

本文提出了一种基于自适应 SBOM 的方法，通过整合多种证据源来分类漏洞适用性并优先考虑检查成本，从而在运行时观测不完整的情况下评估容器部署风险，与基准方法相比，实现了更高的决策完成率并降低了等待时间。

本文通过提出一种用于求解精确解的时间索引混合整数规划（MIP）模型，以及一种具有可证明最差情况近似界限且经验性能表现优异（平均最优性差距低于5%）的最短加权处理时间（SWPT）启发式算法，解决了旨在最小化总加权完成时间的具有多服务器和非抢占式作业的相同并行机调度问题。

本文提出了 ANCHOR，一种自适应再创作方法，通过将文化依赖性分类为对英文可查证性数据的归化或异化，有效地将标注资源迁移至中文，同时保留了事实范围、断言强度和标签准确性。

本文介绍了 mSITG-MD，一种元数据感知的粒子群优化框架，该框架通过集成领域特定参数建模、约束处理和动态搜索空间剪枝，显著提高了复杂物联网和多媒体系统组合测试数据生成的效率、规模和有效性。

EchoMed Agent 是一个基于基础模型的智能体框架，它结合了经过低秩适配的 MedSAM2 视频分割模型、一个 GPT-5.2 工具路由接口以及一个轻量级轴回归模块，旨在实现跨不同临床站点的精确、少样本可适应的左心室分割与射血分数评估。

本文提出了“声音设计指南针”（Voice Design Compass），这是一个通过专家评审开发的概念性框架，旨在引导设计师系统地创建、记录和反思具身角色（embodied characters）的声音概念，以确保设计的意图性并避免无意识的刻板印象。

本文通过在合成数据和真实飞行数据上的受控实验，挑战了无人机视觉地理定位中的两个常见假设，即径向结构化描述符池化和地理索引分区均不能提高性能，且后者实际上降低了准确性和效率，而使用 384 维类别标记（class token）的简单扁平索引即可在嵌入式硬件上实现鲁棒的定位。