cs 篇论文 | Gist.Science

本文介绍了 EMA-Det，一种面向两阶段无人机检测的硬件感知、早期退出区域验证网络，该网络通过优先考虑召回率而非 mAP 来克服系统瓶颈，在边缘设备上实现了卓越的性能，并证明了针对热红外应用进行特定领域训练的必要性。

本文提出了基于语义谱的故障定位（SSFL），这是一种利用运行时输出值分布来构建语义谱的方法级方法，通过无需模型训练或在线推理，实现了比传统的基于谱的方法、基于学习的方法以及基于大语言模型的方法更优越的故障定位准确度。

本文介绍了 PW-Desc，这是一种拓扑稳定的局部特征描述符，它优先考虑在扰动和光度变换下经过数学证明的稳定性保证，而非原始匹配精度，使其尽管在基准性能上落后于最先进的学习方法，但特别适用于医疗配准和取证分析等安全至上的应用场景。

本文介绍了瓶颈感知可解释学习调度（BA-XLD），这是一种可解释的优先级策略，它通过利用学习到的、加性的特征贡献来适应随机扰动，从而在动态柔性制造系统中显著提高了吞吐量、减少了延迟并最小化了设置时间。

本文提出了一种用于地理分布式人工智能推理的、基于追踪驱动的两阶段词典序框架，该框架在优先保障服务可行性的同时，在严格的物理水资源约束下优化碳排放，展示了显著的环境权衡，并为可持续资源分配提供了一个可复现的基准。

本研究表明，利用适量的历史目标域数据进行目标自适应概率校准，能够显著提高 AI 在经历数据集偏移的课程中对学生风险预测的可靠性与可解释性，且不会损害其排序性能。

本研究表明，经过微调的大型语言模型（尤其是 ModernBERT-base）在识别美国国立卫生研究院（NIH）资助申请书中的健康社会决定因素方面，显著优于传统的关键词方法和零样本方法，同时指出阈值校准是解决标签不平衡问题的关键策略。

本文介绍了用于基于状态维护的干预因果框架（IC-CBM），该框架利用干预因果发现和结构残差归一化来克服多模态机器人制造中的关联过拟合问题，实现了鲁棒且领域不变的操作工况分类，且与传统的相关性基准相比，在分布外准确率和精确度方面均有显著提升。

本文介绍了一种双重 SHAP 框架，该框架通过比较条件归因与干预归因，将机器学习解释中的相关关系与因果关系区分开来，并证明了其在诊断多种社会调查结果的因果可信度方面的有效性。

本文提出了一种新颖的基于视觉的框架，该框架结合了人体姿态检测、单目深度特征、单应性映射以及学习到的残差修正模型，用于在无 GPS 的室内环境中准确估算固定 CCTV 摄像头与人之间的距离，实现了 0.159 米的平均绝对误差。