cs 篇论文 | Gist.Science

本文提出了时空协作网络（STC-Net），该网络通过自适应脉冲神经元模块和高阶时空融合模块将帧模态与事件模态进行集成，以在挑战性条件下实现最先进的目标跟踪性能。

本文引入了一种场景驱动的评估方法，用于将生成式人工智能（GenAI）生成的测试套件与人工编写的测试套件进行对比，结果表明，虽然直接提示策略能恢复更多的预期行为，但“先构思后实现”策略能产生更高效、重复项更少的测试套件，而“仅构思”方法则能有效地发现额外的测试场景。

本文介绍了 QUAMET，这是一种结合结构与语义分析来建立软件度量标准并检测量子程序中六种类型代码异味的新颖方法，该方法已在包含 4,102 个真实世界 Qiskit 项目的精炼数据集上得到了验证。

本文提出了一种意识基础设施神经系统（CINS）框架，该框架利用家庭负担数据而非传统的设施指标，显著提高了海德拉巴非正规定居点人工智能驱动的水资源匮乏检测的公平性与准确性，从而弥合了生活体验与机构决策之间的差距。

本文介绍了“量子乐高学习”（Quantum LEGO Learning），这是一种模块化混合人工智能框架，通过将冻结的经典特征提取器与可训练的变分量子电路解耦，实现稳定的优化、噪声韧性，并通过将表示学习与自适应调整分离，提升在含噪声中型量子（NISQ）硬件上的性能。

Edge-XReal 是一个分布式、硬件无关的软件流水线，旨在通过在边缘硬件上实现高效、低延迟的 3D 全局场景理解，同时不牺牲准确性，从而克服独立式 XR 设备的计算限制。

本文提出了注意力引导的局部动态对齐（ALDA），这是一种无需训练的方法，通过采用注意力驱动的自适应多尺度采样来减少背景噪声，并利用区域-描述二分图上的双向迭代传播来建模相互语义相关性，从而增强了零样本视觉-语言分类，并在多种基准测试中实现了显著的准确率提升。

本文提出了 SOAGAN，这是一种二阶注意力生成对抗网络，它结合了重识别机制和基于 U-Net 的协方差注意力判别器，以提供全局和像素级的反馈，从而显著提升了单图像超分辨率结果的主观视觉质量。

本文提出了一种混合深度学习框架，通过结合基于 DenseNet121 的红细胞涂片图像分析与用于处理 CBC 数据的堆叠集成模型，实现了贫血检测及严重程度分类的高准确度。

这项针对印度工程系学生及教职人员的定量研究表明，尽管生成式人工智能工具（如 ChatGPT）正日益被用于提升行业适应能力，但学生使用的工具范围较为有限，且其满意度水平低于教师，这凸显了高等教育中提高人工智能素养和实施个性化学习策略的紧迫需求。