cs 篇论文 | Gist.Science

本文提出了 ARQEC，一种新颖的 3D 高斯泼溅（3D Gaussian Splatting）压缩框架，该框架通过采用自适应残差向量量化、上下文感知误差补偿以及基于渲染的率失真优化，实现了相比现有方法显著的存储空间缩减（高达 157 倍）和保真度提升。

本研究提出了 HA-FedIDS，这是一种通过结合物理与网络特征来解决智能电网网络中客户端异构性和数据隐私问题的联邦学习框架，旨在实现高准确率的网络攻击检测，并优于传统的去中心化方法。

本文介绍了 BOP-Distrib++，这是一个全新的基准测试框架，它通过自动发现局部对称性来生成图像级的位姿分布，从而重新定义了 6D 位姿评估，进而能够更准确地评估在视觉歧义情况下的单位姿和多模态估计方法。

本文提出并评估了一种资源高效且具可解释性的多模态基准测试框架，该框架结合了轻量化视觉与文本模型，在医学图像分类方面实现了比单模态及大规模基准模型更优越的准确性与可解释性，使其特别适用于低资源临床场景。

本文提出了 VM-SPMamba，这是一个用于基于视频的可视-红外行人重识别的渐进式框架，该框架利用视觉调制的软部分空间编码和部分双向时间 Mamba，有效地对跨模态差异和时间演变进行建模，并在基准数据集上实现了最先进的性能。

本研究提出了一种新颖的模糊 Transformer-CNN-GRU 架构，该架构将气象、卫星和城市数据与不确定性自适应模糊化技术相结合，旨在实现德黑兰高精度、稳定且计算高效的一日提前 PM2.5 预测，其均方根误差（RMSE）为 0.73 µg/m³，性能优于七种基准模型。

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。