3864 篇论文
本文介绍了 EGA-Stereo，这是一个通过集成通道级门控代价体积融合（Channel-wise Gated Cost Volume Fusion）、几何感知特征压缩（Geometry-aware Feature Squeeze）以及边缘引导几何调制（Edge-Guided Geometry Modulation）来解决歧义性、信息丢失和边界过度平滑问题，从而在多个基准测试上达到最先进性能的迭代式立体匹配框架。
本文提出了一种名为严重程度条件化像素级异步扩散（Severity-Conditioned Pixel-Wise Asynchronous Diffusion, SC-PAD）的新型框架，该框架通过估计一个连续的严重程度场来驱动像素级异步扩散进程，从而增强半透明壁画修复，进而克服了在处理空间非均匀退化时，二进制掩码和统一时间建模所存在的局限性。
本文介绍了 RBCrowd4RS，这是一个基于区块链的隐私保护移动众包系统，它利用 zk-SNARKs 进行匿名身份验证，并结合 Gompertz 信誉模型，旨在同时确保道路安全数据的可问责性、贡献者的不可关联性以及实时性能。
本文提出并实证评估了一种用于预测 Java 项目中代码异味重构的机器学习框架，证明了将传统的面向对象度量指标与语义及语法图嵌入相结合，能够通过捕捉结构化度量指标本身无法提供的互补信号，从而实现可靠的预测。
本文表明，降低 GPU 功率限制并不总能在不同的硬件机制下降低完成单项任务的能耗，因此主张采用一种“机制优先”的方法，即在实施功率管理控制之前，必须对特定的 GPU-工作负载组合进行实证表征。
本研究提出了一种整合 SHAP 值与反事实解释的协同框架，旨在增强信用风险模型的可解释性、公平性和可操作性，并通过对德国信贷数据集的实证分析证明，该方法在提升预测性能的同时，能有效平衡伦理监管合规性，并减少申请人改变结果所需的特征调整数量。
本文提出并初步评估了一种保护隐私的端侧架构，该架构将小语言模型与轻量级安全机制相结合，旨在不依赖云服务的情况下执行本地推理，同时缓解提示词注入和隐私泄露等风险。
本文提出了一种利用集成学习的预测性多目标框架，旨在优化云计算数据中心中能耗与延迟之间的权衡，通过基于追踪数据的仿真和稳健的泛化能力，证明了其相比于静态和反应式策略在节能和提高稳定性方面的显著优势。
本研究将一个 12 量子比特的 QAOA 和一个连续时间量子行走（CTQW）与经典局部搜索在八个小规模原子拥堵博弈上的表现进行了基准测试，结果显示，虽然 CTQW 通过保持 100% 的可行性实现了显著低于 QAOA（23.22%）的平均成本差距（8.34%），但经典局部搜索在寻找精确最优解方面优于这两种量子方法，且作者强调这些无噪声、资源不匹配的结果并未展示出量子优势。
该论文介绍了 Didymos，这是一个拥有 1.23 亿参数的生成式 Transformer，它利用来自七个国际数据库的无标签数据进行训练，在预测重症监护患者预后和模拟治疗反应方面优于监督学习模型，同时保持了隐私性并仅需极少的本地化适配。