3891 篇论文
本研究表明，尽管对抗训练显著增强了四比特量子监督学习模型在应对白盒攻击时进行网络入侵检测的鲁棒性，但其最终性能仍逊于经典多层感知器，从而未能支持在该安全语境下存在量子优越性的主张。
FedCardioGuard 是一个针对心电图分类的质量与不确定性感知个性化联邦学习框架，它通过多尺度编码和自适应融合，显著提高了在非独立同分布（non-IID）数据上的宏平均 F1 分数（macro-F1 scores）和校准度，尽管目前由于冷启动和分数转移的限制，在识别稀有类别方面仍面临挑战。
本文将 AdaGrad、RMSProp 和 Adam 提出为一阶积分微分方程的连续时间形式，并通过数值模拟、稳定性分析和收敛性研究验证了其准确性，为自适应优化方法提供了一个新的理论视角。
该论文提出了SSNet，这是一种形状监督的深度学习网络，它通过集成稀疏高斯混合模型和椭圆形状损失，来增强组织病理学图像中跨域细胞核实例分割的准确性和可靠性。
本文提出了 BCMGF，一种新型的中文农业命名实体识别模型，该模型通过集成笔画级字形特征、多级特征交互注意力模块以及对抗训练来增强性能，从而有效解决稀有领域术语和歧义边界等挑战，并在农业及通用领域数据集上均达到了最先进的效果。
本研究表明，通过设计科学研究方法将知识图谱与大语言模型相结合，通过利用符号语义结构主动限制生成动作空间，能够有效地约束教育性幻觉并强化教育人工智能的逻辑有效性。
该论文提出了 FACT-SR，一种尺度不变的多任务学习框架，通过对理由生成施加忠实性约束，并采用一种新颖的自动权重学习策略来平衡异构目标，从而增强了基于方面的情感推理，并在各种模型规模上实现了卓越的分类性能和推理可靠性。
本文通过分析 MTEB 结果表明，虽然表现顶尖的嵌入模型往往比仅针对特定任务优化的模型展现出更强的跨任务一致性，但仅靠模型规模并不能保证这种平衡，因此呼吁在报告聚合得分的同时也应报告性能离散度，以便进行更好的模型选择。
本文批判了欧盟现有的算法解释标准以及现有的缓解或替代方法，转而提出一种以需求为导向的框架，通过根据参与者的控制点对解释需求进行分类，并利用可行的替代方案来实现这些需求，从而重构该标准。
本研究表明，尽管自适应门控机制在交叉验证期间表现出优越性，但实际上简单的特征拼接在针对未见受试者的多模态抑郁检测中展现出了更具鲁棒性和泛化能力的性能，这凸显了对于小型临床数据集而言，严谨的泛化性测试比架构复杂性更为关键。