cs 篇论文 | Gist.Science

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。

本文通过对 35 项近期研究进行综述，并构建一个包含六个核心组件的综合参考框架，旨在解决基于大语言模型的代码生成实证研究中存在的碎片化和缺乏可比性问题，从而实现更具系统性、透明度和可复现性的评估。

本文提出了一种结合了迁移学习、卷积神经网络（CNN）和注意力机制的混合深度学习框架，旨在克服传统情感检测系统的局限性，从而在现实世界的人机交互应用中实现卓越的准确性、鲁棒性和跨领域适应性。

本文提出了一种多模态人工智能框架，该框架整合了用于 CTPA 血栓分割的定制化 Mask R-CNN、用于 ICU 时间序列分析的混合 LSTM-GRU 模型以及用于临床风险评估的人工神经网络，实现了 0.88 的 Dice 分数和 91.81% 的总体准确率，旨在改进肺栓塞的诊断与患者风险预测。

该论文提出了 UAMG-RAG，这是一个能够根据问题复杂度动态调整检索深度和文档粒度，并采用不确定性引导的重检索来增强推理性能并减少幻觉的框架，在 HotpotQA 和 WikiHow 基准测试上取得了显著改进。

本文提出了一种数据驱动、无需损失函数的二分类器，该分类器通过整合对称直觉模糊 TOPSIS 与自交互序列三路决策，利用客观属性权重、平衡距离度量以及用于自适应阈值的内部反馈循环，旨在克服现有局限性，从而提升分类性能与鲁棒性。