cs 篇论文 | Gist.Science

本文提出了一种基于多目标海洋捕食者算法（MOMPA）与约束规划的协同优化方法，用于生成能够有效平衡运行效率、疲劳风险及工作时间公平性的航路区空中交通管制员班表，并通过真实数据验证，证明了其卓越的性能与工程可行性。

本文提出了一种改进的 APF-RRT 算法，该算法通过集成幂律衰减斥力增益、三级逃逸机制以及自适应策略，显著提升了在复杂农业环境下携带篮筐的机械臂路径规划的效率、平滑度及避障能力。

本文表明，通过使用 RLVR 和 GRPO 对小型语言模型（Gemma 2B）进行训练以强化校准后的弃权机制，能够显著提升临床安全性，使模糊案例的推迟处理率翻倍，尽管这在原始基准测试准确率上存在权衡。

本文系统地证明了在胸部 X 线 AI 中，正确的预测往往伴随着不准确的显著性图解释，揭示了预测准确性与定位忠实度之间存在的关键脱节，这使得在临床部署前进行强制性验证阈值设定变得至关重要。

本文提出了一种多智能体大语言模型框架，其特征在于在基于依赖关系的、具有校准参数和共享内存机制的任务图上运行不同的规划者、执行者和验证者角色，通过提高完成率、准确性和事实一致性并减少工具错误，该框架在解决复杂任务方面显著优于单智能体基准模型。

该论文介绍了 Stratum-eval，这是一个面向临床机器学习的“规范优先”评估框架，它要求在计算任何性能指标之前，必须制定一份经过验证的规范说明文档，以明确定义使用场景、公平性权衡以及利益相关者边界，从而确保在模型部署前建立起伦理与监管的一致性。

本文介绍了 ISVEX，这是一种全面的漏洞评分方法，其具备“强力型（Strong）”和“轻量型（Lite）”两种变体，旨在通过定制的多指标框架，对模型操纵、数据投毒和智能体漏洞等独特的 AI 风险进行量化，从而解决现有标准的特定局限性。

本文提出了一种用于自主机器人的并行思维轨迹引导自学习框架，该框架将一个主思维系统与并行的自学习（Auto Learning）和显性学习（Obvious Learning）子系统相结合，以高效地将推理轨迹转化为可执行模型，从而在保持高任务成功率的同时，显著降低延迟和高层推理的调用次数。

该论文提出了 SWST-Net，一种语义感知的小波驱动网络，该网络利用离散小波变换在语义先验的引导下分离并交互式地重建图像结构与纹理，从而在多个数据集的图像修复任务中实现了卓越的性能。

本文提出并验证了一种去中心化的点对点熵生成器，该生成器利用提交-揭示协议和混合聚合技术，为基于区块链的游戏提供统计均匀、低成本且具备抗攻击能力的随机性，在经济效率和安全性方面均优于 Chainlink VRF 等中心化预言机。