Attention-Enhanced Hybrid Deep Learning for Effective and Deployable SMS Spam Detection
本研究提出并部署了一种云托管的 CNN+BiLSTM+Attention 模型,该模型实现了优于传统及混合深度学习方法的短信垃圾检测准确率(96.83%)和安全性,证明了注意力机制在创建实用的、可部署的垃圾过滤解决方案方面的有效性。
3899 篇论文
本研究提出并部署了一种云托管的 CNN+BiLSTM+Attention 模型,该模型实现了优于传统及混合深度学习方法的短信垃圾检测准确率(96.83%)和安全性,证明了注意力机制在创建实用的、可部署的垃圾过滤解决方案方面的有效性。
本文表明,在 ULB 信用卡欺诈数据集上,通过多方法排序策略导出的包含 15 个特征的紧凑子集,能够在无需使用 SMOTE 过采样的情况下,使各种分类器实现高性能的欺诈检测,因为在经过适当阈值调整后,基于自然类别分布训练的模型表现始终优于使用 SMOTE 训练的模型。
这项针对 58 名网络安全专业人员的混合方法研究表明,虽然人机协作(Human-LLM collaboration)能提高分诊准确性,但对 AI 建议的依赖程度因任务透明度而异,这为构建能够减轻自动化偏差并支持校准人类判断的、值得信赖且具备上下文感知能力的网络安全助手提出了特定的设计要求。
本论文提出并评估了仪式时间窗口智能合约(Ritual Time Window Smart Contract, RTWSC)框架,这是一种结合了基于区块链的智能合约、物联网数据以及电动汽车共享出行,旨在显著减少交通拥堵、排放和等待时间,同时提高朝觐朝圣者分配公平性的集成智能交通系统。
本文提出了 RGDRec,一种通过估计关系可靠性以指导随机图去噪,并利用跨域对比学习来对齐社交与交互表示,从而减轻噪声社交连接的负面影响,进而提升推荐性能与鲁棒性的社交推荐框架。
本综述系统地综合了针对极端类别不平衡下五个高风险领域的异常检测所涉及的数据、算法、生成式及自监督方法论,同时批判性地揭示了评估陷阱并概述了关键挑战,旨在为未来的研究提供指导。
本研究评估了四种用于移动端犬种识别的深度学习模型,并确定 MobileNetV2 是最佳选择,它在分类准确率、推理速度和模型大小之间实现了平衡的权衡,同时成功地展示了在离线 Android 应用程序中的实时部署。
本文引入了 MIDAS 框架,旨在证明在针对细粒度视觉分类的小型 Vision Transformer 中,针对部分覆盖率(保留物体细节)和忠实度(解释分类器决策)进行优化的 Token 修剪策略在本质上是解耦的,这意味着其中一项指标的提升并不保证另一项指标的同步提升。
本文介绍了 \ours,这是一个带有验证功能的框架,它通过将基于大语言模型的符号回归转化为执行为类型化符号推导图(Symbolic Derivation Graph)的思维链推理过程,通过强制执行硬约束和软验证信号,从而将该过程转变为一个严谨的过程,以生成具有可执行推导轨迹的紧凑且可由机器检查的物理定律。
本文提出了一种用于自主系统的鲁棒多传感器融合框架,该框架利用差分对编码和三级容错策略来减轻忆阻器硬件缺陷的影响,在保持高故障率下的准确度方面显著优于现有方法,同时实现了高效的实时边缘部署。