2354 篇论文
本文提出了一种统一的软自适应聚合框架，通过引入用于可微语义分块的 Soft-ChunkAttn 和用于输入自适应层合并的 Virtual Dynamic Block-AttnRes，在保持原始计算图以实现高效 GPU 部署的同时，缓解了长上下文大语言模型中的序列与深度信息稀释问题。
本文介绍了 EIDOLON-RL，这是一种混合分层强化学习框架，它通过将对手建模、世界建模和风险自适应规划相结合，旨在为 AAA 级动作游戏生成公平、清晰且计算高效的 AI 角色，其核心在于通过数学手段强制执行动画有效性和刻意缺陷等生产约束，而非将其视为事后的工程修正。
本文表明，通过使用控制感知目标（即优先考虑保持候选动作排序而非静态回归精度）来优化物理神经网络，可以显著增强在稳态调节和倒立摆稳定等任务中的闭环调节性能以及对扰动的鲁棒性。
本文建立了一个经过验证的动态图深度学习异常检测分类法和统一基准，揭示了简单的基于度数的启发式算法在合成基准测试上往往优于复杂的深度模型，但在真实世界数据上却表现不佳，并暴露了当前评估实践和已发表实现方案中的关键缺陷。
本文介绍了 X-StrGNN，这是一种针对 StrGNN 图异常检测器的零退化事后解释层，它能为被标记的边提供稳定、低成本的结构与时间归因，同时在保持原模型检测性能方面达到了机器精度。
本文引入了一种事后解释性框架，该框架通过生成双重时空 Shapley 归因来识别影响力邻居和历史快照，从而增强了高性能动态社交图谱异常检测器 TADDY，在不损害检测准确性的情况下实现了高保真度和充分性指标。
本文介绍了一种用于动态图半监督异常检测的框架，该框架提供了精确的闭式偏差归因，并学习一个摊销事件掩码以在对检测性能零影响的情况下解释决策，同时揭示了警报往往同样源于个体节点行为和群体基准偏移。
本文提出了 CitationGuard，这是一个结合了孤立森林异常检测与加权证据融合的多证据框架，旨在生成一个混合怀疑评分（Hybrid Suspicion Score），用于对数字图书馆中需要验证的文献记录进行优先级排序。
本文提出了一种开销感知多层图学习框架（Attn-ML-GCN），该框架将基于RPL的IoT网络建模为四层图，通过捕捉结构化和时间性的攻击传播，有效检测多种攻击家族，在实现显著高于平坦特征基准检测准确率的同时，为网络开销的影响提供可解释性的见解。
本文介绍了 PVApp，这是一个利用 Firebase 和二维码扫描技术实现的云端支持型移动框架，旨在实现加纳消费产品的实时验证、审批状态查询及事故报告，并通过功能测试成功验证了其在应对假冒伪劣及劣质商品挑战方面的有效性。