1017 篇论文
本研究利用基于智能体建模和强化学习的方法，证明了安全运营中心的训练时长会产生非线性性能增益，其中最佳投资发生在 500 至 1,000 个周期之间，且经过高度训练的团队所实现的效率优势相当于额外招聘 20 至 25 名人员。
本文提出了一个可复现的实验框架，证明了将物理 HID 入侵与 MQTT 网络攻击进行链式组合会暴露受限 IoT 设备中关键的安全与性能权衡，揭示了虽然 TLS 提供了强大的机密性，但它会对旧硬件造成难以承受的延迟和内存成本，从而启发了一种全新的混合深度防御架构，该架构优先考虑通过访问控制列表（ACL）来实现高效且可扩展的保护。
这项针对 2018 年至 2026 年间 13,502 条 AI/ML 相关撤稿记录的特征研究表明，计算机生成内容是推断出的撤稿最大单一原因，占病例的 34.8%，且主要影响 2021 年至 2023 年间发表的论文。
本文提出了一种统一的状态空间框架，通过整合微分方程与机器学习来对威胁传播动态进行建模、检测异常并优化防御控制策略，从而实现物联网网络的安全防护，并通过一个模拟的 SEIRS 恶意软件案例研究进行了验证。
本文提出了组感知认知诊断（GACD）框架，该框架通过将具有相似模式的学生进行分组、将交互分解为正确和错误子图以进行独立学习，并利用自监督对齐来增强认知状态评估的准确性，从而解决学生响应数据中的数据稀疏问题。
本文提出了 HERO-SNN，这是一个结合了任务特定反馈与局部基于脉冲学习的稳态且奖励优化的脉冲神经网络框架，旨在增强时空 EEG 数据分类的准确性与可解释性，并在一项基于 Havening 触碰方案的研究中，其表现优于标准的 STDP 以及最先进的深度学习模型。
本文提出了一种可解释的 AutoML 驱动的 CNN 框架，用于对分割后的多通道 EEG 数据进行催眠敏感性分类，该框架在其最佳折叠中实现了完美准确率，并通过 XAI 技术识别出 alpha 和 gamma 频段为最关键的特征。
本文提出了 FDCNet，一种新型的对抗鲁棒红外与可见光图像融合框架，该框架通过集成频率感知防御模块和时空-频率动态对抗损失来抑制扰动，同时利用极值引导的动态色调曲线模块来平衡防御有效性与视觉质量恢复。
本文提出了 DeepNeutroBiLSTM，这是一种将中性素不确定性建模与基于 Sobel 的不确定性、卷积神经网络（CNN）以及双向长短期记忆网络（BiLSTM）相结合的新型混合框架，旨在实现 AHCD 和 HIJJA 数据集上阿拉伯手写字符识别的先进准确率与鲁棒性。
本文提出了一种知识图谱引导的框架，该框架利用关于异常及其关系的先验知识来构建文本提示，从而使基础模型和扩散技术能够为各种产品类别生成逼真的异常图像。