3855 篇论文
本文介绍了 QSD-SBox，这是一种会话多样化方案，它利用基于种子衍生的仿射置换为每个会话构建唯一的 (8×8) S-box，从而在不产生运行时搜索开销的情况下，在有效防止针对特定表的攻击信息进行跨会话重用的同时，保持严格的单实例密码学保证。
本文介绍了 CHASE，这是一个专门为容器化云环境定制的新型系统调用数据集，它通过提供具有丰富上下文特征的 4,980 条追踪数据，填补了现有以 Linux 为中心的数据空白，并证明了其在训练 AI 模型以高精度检测已知和未知入侵攻击方面的有效性。
本文评估了用于从用户故事中提取实体和非功能性需求的监督序列模型与开源权重大语言模型，证明了 BiLSTM-CRF 模型在一个新发布的、可复现的基准测试集上显著优于零样本和单样本大语言模型。
本研究通过比较基于词典衍生标签训练的经典机器学习模型与零样本开源大语言模型（LLM），评估了沙特股票市场推文的情感分类情况，结果表明，虽然经典模型仅仅是在复制可能存在缺陷的基于规则的标签，但大语言模型提供了一种独特的、具备领域意识的视角，凸显了通过人工标注真值来验证金融情感分析的紧迫性。
本文介绍了 CASA-IoT，这是一个轻量级的选择性访问框架，它通过将符合性预测（conformal prediction）与概率风险分类器相结合，根据证据确定性动态地允许、拒绝或延迟 IoT 访问请求，从而在有效平衡安全遏制与用户摩擦的同时，通过校准刷新来适应分布偏移。
本文介绍了 DenseMem，一种结合了有界情境记忆与带符号跨层级信用分配的方法，旨在改进延迟奖励学习，但实验结果表明，尽管该方法在某些任务中优于扁平化信用分配，但并未一致性地超越无塑造学习或提高路径效率，最终提供的是一种具有已知局限性的可审计分配机制，而非证明其在长程决策任务中具有普遍优越性的证据。
本文提出了一种可解释决策图（EDG）框架，该框架将自主多智能体的推理、通信和决策过程建模为结构化、可验证的图，以增强关键应用中的透明度、可审计性和信任度。
本文提出了一种基于联邦学习的方法，利用 EfficientNet-B0 通过整合五个人口统计群体的个体用户偏好来预测网站界面美学，在克服中心化数据收集和平均评分局限性的同时，实现了 0.0534 这一具有前景的均方误差。
本文介绍了 LINGUA-AUDIT，这是一个可复现的基准测试与审计框架，旨在通过评估英语、印地语和印地语-英语混合语（Hinglish）在涉及印度基本公民领域查询时的事实准确性、完整性和安全性，系统地衡量并统计分析多语言人工智能系统中实质性的信息不平等。
本文评估了概念漂移下信用卡欺诈检测的五种模型维护策略，结果表明，虽然频繁重训练能产生最高的检测性能，但一种具备成本意识的自适应引擎能在准确率与重训练频率之间提供平衡的权衡，且未必是以最小化总适应成本为目标。