cs 篇论文 | Gist.Science

本研究提出了一种基于 LSTM 的低资源语言阿萨姆语语音识别系统，该系统利用自建数据集和混合声学特征实现了 95% 的准确率，同时强调了元音之间音素相似性所带来的挑战。

本文提出了一种基于视觉上下文感知和空间感受野的算法，该算法通过整合残差状态空间建模、引导向量和多尺度可变形注意力机制，有效解决了局部像素遗忘和空间感知不足的问题，从而修复敦煌壁画，并显著提升了修复质量指标。

本文提出了一种深度跨网络（DCNN）框架，通过提取并关联结构与功能特征，在检测基于 FPGA 的 VLSI 电路中的隐蔽硬件木马方面实现了 98.4% 的准确率，提供了一种能够降低对黄金参考模型依赖性的可靠解决方案。

这项对104项研究进行的系统综述表明，数字无障碍研究正由自动化工具主导，并集中在教育和政府领域，从而产生了一种“评估—行动差距”，即方法论上的便利性和行业偏差已经取代了以用户为中心的方法，并且未能解决过去十年中持续存在的无障碍障碍。

本文介绍了 OntoLearner，这是一个模块化的开源框架，它统一了本体访问、大语言模型驱动的学习流水线以及跨 22 个领域的标准化基准测试，并揭示了本体学习的主要瓶颈在于模型知识编码与本体组织之间的结构性失配，而非模型本身的能力。

本研究提出了一种检索增强的大语言模型方法，能够高精度地将非结构化的评估反馈转化为与课程对齐的错误模式，从而使教学团队能够反思教学影响并指导针对性的课程修订，以应用于高等教育领域。

本研究评估了四种领先的基于大语言模型的对话智能体作为网页导航辅助技术的有效性，发现尽管它们在通过解析页面结构和引导交互以增强不同用户群体的无障碍体验方面展现出令人期待的潜力，但其性能在不同工具之间存在显著差异。

本文介绍了 HE-CloudML，这是一个保护隐私的框架，它通过使用同态加密技术，实现了在加密云数据上进行安全且高效的深度神经网络推理，在确保对各种隐私攻击具有鲁棒抵抗力的同时，达到了接近明文的准确度，并较现有解决方案显著提升了延迟性能。

本文介绍了 WSymBERT，一种加权神经符号注意力模型，该模型将上下文语言理解与结构化专家知识相结合，以实现对 CVSS v3.1 基础指标高度准确且具可解释性的自动化预测，在超越现有 Transformer 基准模型的同时，更紧密地契合专家推理逻辑。

MAP-RAG 是一种创新的多视图自适应框架，通过将结构化电子病历分解与混合检索及动态置信度路由相结合，提升了临床诊断的准确性与效率，并证明了其在多个医学科室中相较于基准模型的卓越性能。