cs 篇论文 | Gist.Science

本文介绍了 LEGR，这是一个用于表格结构识别的端到端框架，它通过将静态几何启发式方法替换为可学习的关系边特征以及级联图注意力网络细化模块，通过通过学习全局布局推理来迭代修正预测，从而实现鲁棒且具有领域不变性的性能。

本研究提出了一种基于 Android 的可解释决策支持系统，该系统利用优化的 XGBoost 模型和计算高效的 Monte Carlo SHAP 算法，直接在移动设备上提供高性能混凝土抗压强度的实时、可解释预测。

本文提出了一种统一的双平衡框架，通过用于跨模态一致性的模态分支融合策略以及用于提升尾部关系识别能力的先验感知类别校准器，解决了长尾多模态关系抽取中的标签与模态不平衡问题，并在 MNRE 和 MORE 基准测试上展示了具有竞争力的性能。

该论文提出了多重近似响应智能体（MARA），这是一种可并行化的原问题恢复方法，它通过生成针对对偶价格查询的多个有界次优响应并将其组合，在不增加墙钟时间的情况下，在分布式优化中快速实现可行且近优的解。

本文介绍了 FPA-Net，这是一种双分支深度网络，它利用 HVI 色彩空间内的复数值频率建模和位置感知注意力机制，实现了具有卓越结构保真度和色彩一致性的最先进低照度图像增强。

本文提出了一种名为 MeanRadius-SMOTE 图神经网络（MRS-GNN）的新型框架，该框架通过在嵌入空间中生成合成节点并创建专门的边以保留图拓扑结构，解决了故障与入侵检测中的类别不平衡问题，从而在极端不平衡条件下显著提高了分类准确率和 AUC-ROC。

本文提出了一种用于车载自组织网络（VANETs）的安全且高效的认证方案，该方案结合了 ECDSA、ECDH 以及基于 SHA-256 的 HMAC 以确保消息完整性和会话密钥建立，同时采用动态伪名以保护隐私，利用基于公钥的撤销列表进行高效的证书管理，并利用基于 GPS 的时间同步来防止重放攻击。

本文提出了一种鲁棒的集成深度学习框架，该框架通过多数投票机制结合了 DenseNet、ResNet 和 Xception 模型，以实现对森林火灾和烟雾的高精度检测，在仅火灾以及火灾加烟雾的数据集上均优于单一模型。

本文介绍了一种新型的、基于 Shiny 的低代码数据脱敏平台，该平台通过直观的界面、集成的风险评估以及自动生成 R、Stata 和 Python 的可重复代码，赋能研究人员（尤其是资源受限环境下的研究人员）来保护敏感信息并确保数据效用。

本文介绍了一种受指数平滑法启发的创新循环神经网络，该网络利用一种基于粒子群优化算法的学习算法和一种新的目标函数，在季节性时间序列预测方面实现了优于现有深度及浅层人工神经网络的卓越性能。