cs 篇论文 | Gist.Science

本文提出了 CG-GNN，这是一个鲁棒的图神经网络框架，通过将社区引导的标签细化与边剪枝以及渐进式对比学习方案相结合，旨在缓解标签噪声问题，并在噪声和数据稀缺场景下超越现有最先进的方法。

本研究表明，在不考虑干预成本、因果有效性和下行风险的情况下，将基于 SHAP 的特征重要性评分直接转化为管理决策行为会产生显著的问责风险，这揭示了仅凭可解释性不足以实现负责任的 AI 驱动型决策。

本综述通过提出一个将威胁分为权重中毒和上下文中毒的全面分类法，系统地回顾了大语言模型时代的投毒攻击与防御，分析了代表性技术与防御策略，并概述了保障复合人工智能系统安全的未来研究方向。

FedDAAW是一个轻量级、隐私保护的异构联邦学习框架，它通过采用动态客户端选择和精度自适应聚合，在无需共享梯度或辅助数据的情况下，显著提高了在非独立同分布（non-IID）设置下处理多种任务（分类、情感分析和回归）的收敛效率和性能。

这项针对 2000 年至 2024 年间 1,225 篇出版物的文献计量分析揭示了机器人运动研究如何演变成一个由关键机构驱动、已趋成熟且全球协作的领域，并呈现出从基础机器人足球向深度学习和人机交互等先进人工智能应用转变的主题演进。

本文介绍了复合任务挑战（Composite Tasks Challenge, CTC），这是一个旨在严格评估多智能体强化学习中分工与协作的新型基准测试套件，它揭示了当前最先进的方法无法解决这些任务，并证明了一个可解但具有挑战性的测试平台对于推动该领域的发展至关重要。

SousCoder 是一款本地优先、主动式的开发者助手，通过监测 VS Code、Chrome 和终端中的跨应用行为信号来检测开发者的困惑并进行具有上下文感知能力的干预，在实地评估中实现了低延迟和高相关性，并通过持久化记忆和多源感知扩展了前人的工作。

本研究评估了一个用于从工伤赔偿索赔中提取14个精算变量的大型语言模型流水线，结果显示其与人工审核者之间存在中度总体一致性（二次加权Kappa系数为0.53）以及各维度间的显著差异性，这强调了在正式验证前进行校准和分阶段部署的必要性。

本研究表明，一种基于 Transformer 的深度学习模型在预测电网稳定性方面优于传统的机器学习算法，在二分类和回归任务中均实现了高准确度，同时为实现韧性智能电网这一全球可持续发展目标提供了支持。

本研究指出，深色皮肤上较低的病灶-背景对比度会产生结构性类别重叠，导致人工智能皮肤科模型系统性地过度预测恶性程度并为深色皮肤患者产生过多的转诊需求，这是一种即使在修正了混杂类别分布后依然存在的公平性瓶颈，且通过按肤色进行类别平衡而非肤色调节能得到最好的缓解。