2358 篇论文
本文介绍了 TIERBLEED，这是一种无害的测量协议，旨在证明 Gemini 系列中经过 RL 对齐的安全策略在六个推理层级上表现出显著的家族内漂移，其中框架技术和多层级/种子策略可以利用这些不一致性，以远超直接拒绝率的成功率复现轻微侮辱。
本文提出了一种高效的、基于注意力门控的混合 Transformer-CNN 框架，该框架通过集成具有 ASPP 的层级式 Mix Transformer 编码器以及一种自定义的跨尺度多模态注意力门，在极具挑战性的 PlantSeg 数据集上实现了最先进的植物病害分割性能，同时保持了适用于资源受限边缘设备的紧凑模型尺寸。
本文提出了一种序列局部专家轮转策略，通过在训练和推理过程中一致地应用该约束，为每个序列固定一小组专家，从而大幅减少 MoE 模型推理过程中的内存占用和专家传输，以显著减少常驻权重量，实现接近全常驻的吞吐量。
本文引入了一种新的齐次性度量指标，用于评估无监督多元时间序列分割算法的有效性和效率，并证明了其在合成数据和真实汽车嵌入式系统数据上的成功应用。
本文提出了一种统一的有监督多视图子空间学习方法，该方法通过整合类间几何结构和自适应视图权重，以高效构建判别性联合潜在空间，在准确率和计算速度方面均优于现有最先进的方法。
本文提出了一种混合深度量子框架，该框架将用于特征提取的一维卷积神经网络（1D-CNN）与量子支持向量分类器相结合，旨在实现比经典基准模型更高的脑电图（EEG）信号压力检测准确率（81.00%），同时展示了该模型在含噪声中型量子（NISQ）时代对特征缩放和维度的依赖性。
本文提出了 WTFFN-YOLO，一种用于风力涡轮机叶片表面缺陷检测的改进型轻量化目标检测框架，该框架集成了 C3K2-SACA 注意力机制、频率感知特征融合模块以及 WTFFN 颈部网络，实现了 mAP 提升 6.9% 且模型参数减少 8%。
本研究表明，一种混合 CNN–BiLSTM 架构在量化语言节奏方面优于传统的声学特征分析和更简单的深度学习模型，其在区分梵文、印地语吟诵与正常语音方面的准确率超过 95%，同时揭示了由于其音节计时结构，梵文具有更高的节奏规律性。
本文揭示了应用于 SIR 模型时，物理信息神经网络（PINNs）在早期指数增长阶段会遭受“潜在债务”（latent debt）的影响，即一个平坦且秩亏损的损失函数地形允许优化过程通过扭曲未观测到的潜在状态并传播误差来最小化残差，最终产生数值上准确但参数估计根本错误的解。
这项研究展示了 NVIDIA RTX 3050 GPU 在深度学习训练方面相比 Intel CPU 的显著性能优势，揭示了在 CIFAR-10 数据集上大规模 ResNet50 模型实现了 40.6 倍的加速。