cs
02-02 00:00
本文提出FrameCache，一个无需训练的三阶段框架（筛选、缓存、匹配），旨在解决人体动画中长序列视频生成的时序连贯性与视觉一致性难题。该框架通过质量感知机制动态筛选信息帧，利用动态替换策略维护多样且相关的参考帧池，并基于行为特征进行运动一致匹配以指导动画生成。实验表明，FrameCache能有效提升多种基线模型的时序连贯性与视觉稳定性。其有效性依赖于基线的时序推理能力与真实-合成一致性，为未来兼容性条件与自适应缓存机制的研究指明了方向。
人体动画时序连贯性参考帧训练免费因果一致性视频生成
cs
02-02 00:00
本研究基于EAV数据集系统评估了多模态情感识别方法，发现复杂注意力机制在小数据集上表现不佳，容易过拟合并破坏预训练特征。实验表明，简单的领域适应性改进更为有效：在音频CNN中添加Delta MFCC特征将准确率从61.9%提升至65.56%；脑电信号采用频域特征达到67.62%准确率。视觉Transformer通过领域特定预训练达到75.30%，超过原论文ViViT结果。研究证明，对于小规模情感识别任务，领域知识和适当实现比模型架构复杂度更重要。
情感识别多模态学习注意力机制小数据集领域特征transformer
cs
02-02 00:00
本研究首次系统性地评估了五种先进的开放词汇目标检测模型在航拍图像数据集LAE-80C上的零样本迁移能力。通过严格的实验协议，研究发现模型存在严重的领域迁移失败：最佳模型OWLv2的F1分数仅为27.6%，假阳性率高达69%。关键发现是，将词汇类别从80个减少到3.2个可使性能提升15倍，表明语义混淆是主要瓶颈。提示工程策略未能带来显著改善，且模型性能在不同数据集间差异巨大，凸显了航拍开放词汇检测领域自适应方法的迫切需求。
开放词汇检测航拍图像零样本学习领域迁移计算机视觉基准测试
cs
02-02 00:00
本研究借鉴人类在酒精影响下易出现不当行为和隐私泄露的现象，提出通过诱导大语言模型生成“醉酒语言”来测试其安全性。研究探索了三种诱导方法：基于角色的提示、因果微调和基于强化的后训练。在 JailbreakBench 和 ConfAIde 基准测试中，经诱导的模型显示出更高的越狱成功率和隐私泄露风险，其表现甚至优于现有攻击方法。通过人工与自动评估相结合的分析，研究发现模型在“醉酒语言”诱导下的行为与人类醉酒行为存在对应关系，揭示了当前安全调优的潜在脆弱性。
大语言模型安全醉酒语言诱导越狱攻击隐私泄露安全评估对抗性测试
cs
02-02 00:00
针对PHP生态中Webshell变种快速演化、混淆技术复杂导致现有检测机制滞后且误报率高的问题，本研究提出ShellForge对抗协同进化框架。该框架通过生成器与检测器的迭代协同训练循环，实现防御边界的持续强化。生成器结合监督微调与基于偏好的强化学习，合成高规避性的功能变种；检测器则融合长字符串压缩语义、修剪抽象语法树结构及香农熵等全局统计特征进行多视图检测。为降低误报，框架引入基于大语言模型的“去恶意化”样本作为高质量负样本。在FWOID基准测试中，收敛后的检测器F1分数达0.981，生成器对VirusTotal商业引擎的规避率达0.939。
webshell检测对抗协同进化多视图融合强化学习php安全混淆对抗
cs
02-02 00:00
本文提出了一种名为COL-Tree（紧凑对象-地标树）的新型数据结构，旨在解决路网等图结构中的高效对象搜索问题。传统方法多依赖欧氏距离启发式，在路网中效果不佳。COL-Tree通过引入更精确的基于地标的启发式方法，支持高效的层次化图遍历。基于此，研究设计了能够高效处理聚合k近邻（AkNN）、k远邻（kFN）等复杂查询的算法。在真实与合成数据集上的实验表明，该技术显著优于现有方法，性能提升高达4个数量级，且预处理开销在理论与实践上均很小。
空间数据库路网搜索层次化索引近邻查询图算法数据结构
cs
02-02 00:00
本研究首次在大规模上评估了大语言模型（LLMs）在默契协调游戏中的表现。基于谢林聚焦点理论，研究发现LLMs在缺乏明确沟通的协调游戏中，能够通过识别“聚焦点”实现高效协调，其表现甚至常常超越人类。然而，当协调涉及数字或微妙的文化原型等常识时，模型则表现不佳。研究还提出了几种无需额外训练的策略，以提升LLMs之间及LLMs与人类之间的协调能力。
大语言模型默契协调聚焦点理论博弈论人机协作
cs
02-02 00:00
针对迷因币生态数据分散、欺诈频发但缺乏系统性研究数据的问题，本研究构建了首个大规模、开源的多模态跨链数据集 MemeChain。该数据集覆盖以太坊、BNB Smart Chain、Solana 和 Base 四大链上的 34,988 个迷因币项目，并首次整合了链上数据与链下多模态信息，包括网站 HTML 源码、代币 Logo 及关联社交媒体账户。分析发现，大量低质量项目缺乏视觉品牌和功能性网站，且 5.15% 的代币在发行后 24 小时内即停止交易。MemeChain 为迷因币生态的金融取证、多模态异常检测和自动化欺诈预防研究提供了关键基础资源。
迷因币跨链数据集金融取证多模态分析风险检测加密货币
cs
02-02 00:00
本文提出了一种结合多任务学习的混合量子网络模型，用于解决地球观测大数据时代下的计算瓶颈问题。该模型通过多任务学习辅助高效数据编码，并利用包含量子卷积操作的位置权重模块提取有效分类特征。在多个地球观测基准数据集上的验证表明，该模型具有有效性。研究还通过实验探讨了模型的泛化能力及其优势来源，凸显了量子机器学习在地球观测数据分析中的潜力。
量子机器学习地球观测多任务学习混合量子网络数据分类
cs
02-02 00:00
2024年Linux内核成为其自身的CVE编号机构。一项研究通过分析CVE元数据、关联提交和补丁延迟发现，漏洞严重程度和CVSS评分与补丁响应速度关联微弱。生存模型显示，内核的“新旧程度”是更合理的预测指标：开发者会优先修复较新版本的内核，而旧版本内核则长期留存未修复的CVE。引入漏洞的提交通常比修复它的补丁更复杂、涉及范围更广。
linux内核漏洞管理补丁延迟cve开源安全生存分析
cs
02-02 00:00
针对长时程脑电图（EEG）报告生成耗时费力的问题，本研究构建了大规模临床EEG数据集（约11,000小时记录，9,922份报告），并开发了首个临床EEG-语言基础模型CELM。该模型能总结变长EEG记录，并端到端生成多尺度临床报告（包括背景活动、癫痫样异常、事件/发作及印象）。实验表明，在患者病史监督下，模型在ROUGE-1、METEOR等指标上相对提升70%–95%（从0.2–0.3提升至0.4–0.6）；零样本设置下得分达0.43–0.52，远超基线（0.17–0.26）。CELM通过整合预训练EEG与语言模型，实现了可扩展的多模态学习。
脑电图分析临床报告生成多模态学习医疗人工智能基础模型
cs
02-02 00:00
本文首次系统综述了农业环境中基于LiDAR的地点识别技术。针对农田缺乏显著特征和非结构化的特点，综述分析了当前最先进的深度学习应用、现有数据集及性能评估指标，并探讨了该领域面临的挑战、现有方法的局限性与未来研究方向。这项工作旨在为农业机器人精准定位提供全面理解，并推动该专业领域的进一步发展。
激光雷达地点识别精准农业机器人定位深度学习环境感知
cs
02-02 00:00
本研究首次对机器人教育中的游戏式学习与游戏化方法进行了PRISMA标准的系统综述与比较分析。通过分析2014-2025年间95项研究，发现三种关键模式：游戏式学习更常用于非正式环境，而游戏化则主导正式课堂并偏好项目式学习；教学内容集中于初级编程与模块化套件，高级软硬件及沉浸式技术应用有限；研究普遍存在周期短、依赖自我报告的问题。研究提出了八个未来方向及一个包含最佳实践与陷阱的设计空间，为机器人教育提供可操作的指导。
机器人教育游戏化学习游戏式学习系统综述教学设计计算思维
cs
02-02 00:00
本研究通过在线实验发现，在社区内容审核中，团队协作撰写的注释比个人撰写的注释质量更高、更有帮助。然而，当团队成员知晓彼此的政治立场时，这种协作优势会减弱。研究还表明，政治多元化的团队在评估共和党相关帖子时表现更佳，但对民主党相关帖子的评估质量不受团队构成影响。这些发现揭示了社区审核系统的复杂性，强调了在设计更有效的审核机制时，理解群体动态和政治多样性的重要性。
内容审核集体智慧政治偏见社区协作社交媒体
cs
02-02 00:00
本文提出FedAdaVR算法，通过结合自适应优化器与方差缩减技术，有效解决了联邦学习中因客户端参与不足导致的异构性问题。该方法利用存储的客户端历史更新来模拟缺席客户端的参与，从而消除参与误差。同时提出的FedAdaVR-Quant版本通过量化存储，在保持模型性能的同时将内存需求降低50%-87.5%。理论分析证明算法在一般非凸条件下可收敛，并在多个数据集上的实验表明其优于现有方法。
联邦学习异构性方差缩减自适应优化客户端参与量化存储
cs
02-02 00:00
本文研究离线模仿学习中，当决策相关状态存在测量误差且训练与部署环境存在分布偏移时的挑战。传统行为克隆方法会因虚假的状态-动作关联而产生系统性偏差。受因果推理启发，作者提出CausIL框架，将噪声观测视为代理变量，并基于近端因果推断理论，给出了无需奖励或交互专家查询即可从演示数据中识别目标策略的条件。该框架为离散和连续状态空间提供了估计方法，在连续设置中采用基于再生核希尔伯特空间的对抗性学习过程。在PhysioNet/Computing in Cardiology Challenge 2019的半模拟纵向数据上验证了其相比基线方法对分布偏移的鲁棒性。
因果模仿学习测量误差分布偏移近端因果推断离线学习鲁棒策略
cs
02-02 00:00
本文介绍了法国昂热大学持续教育学院采用“行动学习法”进行数据库设计培训的创新实践。该方法面向企业员工，通过真实项目将数据库设计这一传统上由信息技术专业人员掌握的技能，传授给具备业务流程知识但无数据处理背景的学员。教学过程中，教师扮演项目管理的督导角色，旨在融合法国技术课程的成功要素、职业培训的适应性教学法以及服务提供商的实践经验，以实现可评估且持久的教学与职业目标。该方法属于法国加强高校与企业合作政策的一部分。
行动学习法数据库设计职业教育校企合作教学模式创新
cs
02-02 00:00
本文针对现有高效用序列规则挖掘方法中，新项添加对规则效用与置信度影响不明确的问题，提出了挖掘具有递增效用比的高效用序列规则新任务。为解决此问题，作者设计了SRIU算法，该算法采用左右扩展与右左扩展两种策略，并引入了项对估计效用剪枝策略以缩减搜索空间。算法通过位图技术降低内存消耗，并设计了紧凑的效用表以提升效率。在真实与合成数据集上的实验表明，SRIU算法能有效发现更具相关性的序列规则。
数据挖掘序列规则高效用挖掘sriu算法效用比
cs
02-02 00:00
本研究提出了一种基于置信度引导分割的序列规则挖掘算法（RSC），旨在解决现有高效用序列规则挖掘算法中存在的冗余效用计算问题。该算法通过预先计算候选子序列的支持度来预判分割规则的置信度，一旦确定分割点，即可同时生成所有具有不同前件和后件的规则。RSC采用效用链表加速候选序列生成，并引入更严格的效用上界——序列的缩减剩余效用，以处理包含重复项的序列。在多个数据集上的实验结果表明，该方法在性能上优于现有先进方法。
序列规则挖掘高效用模式置信度引导数据挖掘算法优化
cs
02-02 00:00
本文提出了一种名为MrRoPE（混合进制旋转位置编码）的通用编码公式，从进制系统转换的视角，将当前多样化的RoPE扩展方法统一为不同的进制转换策略。基于此理论，作者提出了两种无需训练的扩展方法：MrRoPE-Uni（均匀进制转换）和MrRoPE-Pro（渐进进制转换），实现了“短训练、长测试”的泛化能力。实验表明，MrRoPE-Pro在128K上下文长度的“大海捞针”测试中保持超过85%的召回率，并在Infinite-Bench检索和对话子集上取得了超过YaRN方法两倍的准确率。理论分析证实，MrRoPE-Pro有效提升了RoPE可达到的编码长度上限。
位置编码大语言模型长上下文进制转换无需训练扩展
cs
02-02 00:00
本文针对逻辑约束项重写系统（LCTRS），在现有存在约束项和其最一般重写框架的基础上，引入了部分约束重写这一变体。研究通过利用约束项之间的蕴含与等价关系，建立了部分重写与最一般重写之间的直接对应。进一步，通过存在约束项的实例化解释，分别刻画了这两种重写概念的特性。文章还提出了新颖的“值解释”概念，用以凸显部分重写与最一般重写之间的微妙差异，为LCTRS的分析与应用提供了更精细的理论工具。
项重写系统逻辑约束形式化方法程序验证理论计算机科学
cs
02-02 00:00
本研究通过一个受控实验框架，首次系统性地分离并评估了大语言模型在云系统根因分析中的纯推理能力。研究在两种智能体工作流和一个非智能体基线模型上，对六个大语言模型进行了总计48,000个故障场景的模拟测试。结果不仅量化了模型在多跳故障传播分析中的准确率，还通过中间推理痕迹的质量分析，构建了一个包含16类常见推理缺陷的标注分类体系。研究发现，特定的推理失败模式（如停滞、偏见、混淆）能有效预测最终诊断的正确性，为未来基于推理的系统诊断研究提供了透明、可复现的基准和明确的改进方向。
根因分析大语言模型推理缺陷云系统故障诊断智能体