• 日常城市主义：加纳库马西地区实现多功能混合开发和紧凑型城市建设的非正式途径

  随着城市化进程的推进，许多城市面临着人口减少、土地闲置和房产荒废的问题。这种现象在不同地区表现出不同的特点，例如，在全球北方的工业衰退城市中，由于制造业的萎缩和人口流失，土地闲置问题尤为突出；而在全球南方的快速扩张城市中，非正式社区和缺乏规划的城市发展也导致了大量未充分利用或被遗弃的空间。无论是在何种背景下，这些废弃建筑不仅影响城市的美观，还可能带来安全隐患，进而导致周边房产价值下降、社区凝聚力减弱以及私人投资减少。此外，未缴清的房产税还会给地方政府带来沉重的财政负担，影响其提供基本公共服务的能力。因此，土地银行（Land Banking, LB）作为一种战略工具，逐渐在全球范围内受到重视，用

  来源：Land Use Policy

  时间：2025-11-20

• 离婚、父母冲突与孩子能力：一个关于选择的故事

  本文探讨了父母离异对儿童技能发展的影响，特别是早期儿童阶段的父母离异如何影响其认知和社交情感技能。研究采用英国千禧年队列研究（MCS）的数据，构建了一个动态模型，该模型不仅考虑了父母离异的内生性，还纳入了父母间冲突这一关键因素。研究发现，儿童技能差异主要来源于选择性因素，即父母离异的特征往往与家庭条件相关，这些条件同时影响儿童的技能发展和离异的风险。父母间冲突、父母教育水平和家庭经济资源被认为是解释儿童技能差距的关键因素，特别是在社交情感技能方面，父母间冲突的影响尤为显著。此外，研究还发现，这些差距在社交情感技能较低的儿童中更为明显，这可能与社交情感技能较低的儿童更容易受到离异带来的负面影响有

  来源：Labour Economics

  时间：2025-11-20

• 最低工资变动对劳动力市场的影响：一种行为学视角

  文章探讨了最低工资政策对劳动力市场和宏观经济的多重影响，构建了一个统一的理论框架，以系统分析最低工资上调对就业、工资、努力程度、劳动生产率以及企业利润的作用机制。通过引入传统的工资渠道和新颖的努力渠道，研究揭示了最低工资政策如何通过不同的路径影响经济活动。传统的工资渠道表明，最低工资的提高会增加对非熟练工人的支付，从而降低企业对劳动力的需求。然而，研究还发现，当工人感知到雇主的慷慨时，他们可能会增加自身的工作努力，从而提升劳动生产率和就业稳定性，这构成了一种新的调整机制。这种努力渠道强调了最低工资政策在影响就业方面并非单向的，而是与工人的行为反应密切相关。最低工资政策的核心在于其对工资结构的影

  来源：Labour Economics

  时间：2025-11-20

• 该补丁对多变量时间序列分类有效

  时间序列分类在现代工程和技术领域中占据着至关重要的地位。随着数据量的增长和应用场景的多样化，对时间序列的处理需求也日益增加。特别是多变量时间序列（Multivariate Time Series, MTS）的分类任务，因其涉及多个相互关联的变量，具有复杂的时序依赖关系和空间交互特性，成为许多领域中的关键问题。在医疗、工业、气象等应用中，多变量时间序列被广泛用于诊断、预测和监控等任务。例如，在医疗领域，患者的健康状况可以通过多种生理指标，如血压、体温和心率等，进行分析和判断；在工业领域，设备的运行状态通常由温度、压力和电流等参数共同决定；而在气象领域，天气变化则依赖于温度、湿度和风速等变量的综合

  来源：Knowledge-Based Systems

  时间：2025-11-20

• NWGformer：一种具有注意力分数非线性重新加权的线性图变换器

  近年来，图神经网络（GNNs）和图变换器（GTs）在处理图结构数据方面取得了显著进展。图结构数据通常包含节点的属性和节点之间的连接关系，这种非线性结构使得传统方法难以高效建模。因此，研究者们不断探索新的方法，以在保持模型表达能力的同时提高其可扩展性。其中，注意力机制在图变换器中扮演了重要角色，但传统的Softmax注意力机制在计算复杂度上存在明显问题，而线性注意力机制则在保留注意力分布的聚焦性方面表现不足。为了解决这一问题，本文提出了一种新的非线性重新加权操作符（NWO），它能够通过利用节点间有效信息的成对差异，对注意力分数进行非线性重新加权，并引入隐式正则化，从而提升模型对关键节点关系的捕捉

  来源：Knowledge-Based Systems

  时间：2025-11-20

• 适用于X至Ka波段应用的高效多频段超材料吸收器

  这项研究提出了一种创新的完美超材料吸收器（Perfect Metamaterial Absorber, PMAMB），其设计特别适用于微波频段的多频吸收需求。该吸收器基于独特的Y形谐振器结构，能够在X、Ku、K和Ka等多个微波频段中实现高效的电磁波吸收。其核心目标是构建一个既具备多频吸收能力，又在极化角度和入射角度变化下保持稳定吸收性能的结构，以满足更广泛的实际应用需求。在传统的微波吸收材料中，吸收性能往往受到多种因素的限制，例如对特定频率的适应性不足、极化依赖性较强以及在不同角度下的吸收效率下降等。而随着超材料技术的发展，研究人员逐渐意识到通过结构设计可以有效克服这些限制。超材料吸收器通过精

  来源：Kuwait Journal of Science

  时间：2025-11-20

• 从一种攻击领域到另一种领域：利用孪生网络进行对比迁移学习以检测高级持续性威胁（APT）

  时间序列预测是众多学习任务中的核心环节，广泛应用于天气预测、污染跟踪以及能源需求管理等领域。然而，这一任务依然面临重大挑战，主要源于高维数据中非线性动态、变量间依赖关系的复杂性以及结构特征的多样性。为了应对这些挑战，本文提出了一种基于交叉注意力机制的预测框架——CrossTopoNet。该框架通过引入从潜在空间中提取的拓扑协变量，有效整合了时间序列中的拓扑信息，从而提升预测性能。当前的预测模型在处理时间序列时，通常依赖于传统的统计或神经网络方法，这些方法在一定程度上能够捕捉数据的时序特征。然而，它们在面对复杂的非线性结构和多变量依赖关系时存在明显的局限性。首先，传统的模型在提取拓扑表示时往往需

  来源：Knowledge-Based Systems

  时间：2025-11-20

• DECA：通过低秩分解进行分布外检测的双误差曲线分析

  在现实世界的应用中，深度学习模型的可靠部署依赖于其对未知分布样本的识别能力。尤其是在开放环境中，模型可能遇到与训练数据分布显著不同的输入样本，这些样本通常被称为“分布外”（Out-of-Distribution, OOD）样本。准确识别这些样本，有助于防止模型在未知场景下做出错误决策，从而提升系统的安全性和稳定性。本文提出了一种名为DECA（Dual Error Component Analysis）的新方法，旨在解决传统基于主成分分析（PCA）的重建误差方法在分布外检测中的两个关键问题：对主成分数量的高度敏感性，以及在弱主成分空间中未能充分利用其判别信息。传统的PCA方法在分布外检测中占据重

  来源：Knowledge-Based Systems

  时间：2025-11-20

• JCLRec：联合扩散模型与双重对比学习在序列推荐中的应用

  在当今信息爆炸的时代，用户面临越来越多的选择，这使得个性化推荐系统变得尤为重要。推荐系统的核心目标是通过分析用户的历史行为，预测他们可能感兴趣的下一个项目，从而缓解信息过载的问题。然而，随着用户行为数据的不断增长，推荐系统也面临着新的挑战，尤其是在数据稀疏性方面。数据稀疏性指的是用户与项目之间的交互数据有限，导致模型难以准确捕捉用户的偏好，进而影响推荐结果的质量。为了应对这一挑战，近年来的研究逐渐从传统的判别式模型转向生成式模型，以更好地建模用户的行为模式。生成式模型在推荐任务中展现出独特的潜力。与判别式模型不同，生成式模型不仅关注用户当前的偏好，还试图建模用户行为的潜在分布，从而能够生成更加

  来源：Knowledge-Based Systems

  时间：2025-11-20

• V-Trex：一种基于视觉提示的增强检测算法，结合了注意力选择融合模块和随机裁剪四重损失机制

  在当今快速发展的计算机视觉领域，目标检测和分割技术一直是研究的核心。这些技术广泛应用于自动驾驶、智能安防、医疗影像分析等多个领域，其核心目标是识别图像中的目标对象并准确地定位其位置。随着人工智能的发展，传统的目标检测算法，如YOLO系列和Faster R-CNN，已经能够高效地完成这一任务。然而，这些方法在面对开放世界场景时存在一定的局限性，尤其是在处理未知类别或复杂背景的情况下，其性能和泛化能力往往受到挑战。近年来，研究人员开始探索结合视觉与文本提示的多模态目标检测方法，以提高模型在未知类别中的识别能力。这类方法通常通过将文本描述作为额外的输入信息，帮助模型更好地理解目标对象的语义特征。例如

  来源：Knowledge-Based Systems

  时间：2025-11-20

• 基于竞争的隐私分配机制在联邦学习中的分组应用

  在联邦学习（Federated Learning, FL）的快速发展过程中，数据隐私保护成为了一个不可忽视的重要议题。随着物联网（Internet of Things, IoT）和现代智能设备的广泛应用，大量数据被持续生成，这些数据在提升操作效率和决策质量方面具有巨大潜力，同时也引发了对个人隐私泄露的担忧。为了在数据共享和隐私保护之间找到平衡，联邦学习作为一种分布式机器学习范式，通过在本地设备上训练模型并仅共享模型更新，从而避免将原始数据集中存储，有效缓解了隐私风险。然而，这种机制仍然面临隐私保护与模型性能之间的权衡问题。差分隐私（Differential Privacy, DP）作为一种强大

  来源：Knowledge-Based Systems

  时间：2025-11-20

• 大型语言模型在回答患者关于前交叉韧带撕裂相关问题的准确性如何？一项比较研究

  人工智能技术正在迅速改变医疗领域的应用，其中大型语言模型（LLMs）在患者教育和信息提供方面展现出巨大的潜力。随着这些模型的普及，如何确保其生成内容的准确性成为医疗行业关注的重点。本文探讨了五种主流的LLMs——ChatGPT-4、Gemini 2.0、Llama 3.1、DeepSeek-V3和Grok 3，在回答与前交叉韧带（ACL）撕裂相关的常见患者问题时的表现差异。ACL撕裂是一种常见的运动创伤，尤其在年轻、活跃的人群中发生率较高，这类人群往往更倾向于通过数字渠道获取健康信息。因此，确保AI生成的信息准确且易于理解对于患者决策至关重要。研究团队通过系统化的网络搜索，整理出14个与ACL

  来源：The Knee

  时间：2025-11-20

• 在性别不匹配的半月板同种异体移植患者中，临床结果和重返运动方面的差异不存在：平均随访时间为6年

  Jairo Triana|Zachary Li|Allison Morgan|Vishal Sundaram|Guillem Gonzalez-Lomas|Michael Alaia|Eric Strauss|Laith Jazrawi|Kirk Campbell纽约大学朗格尼健康中心骨科外科运动医学部门，美国纽约州纽约市摘要背景在全器官移植文献中，已经报道了由于供体-受体性别差异而导致的移植物移植相关风险，但在半月板同种异体移植（MAT）中这些风险尚未得到充分描述。本研究评估了供体-受体性别不匹配对患者报告的结果（PROs）的影响。方法对2010年至2023年间在一家医疗机构接受单间室半月板

  来源：The Knee

  时间：2025-11-20

• FedAWM：非独立同分布（Non-IID）联邦学习中的自适应水印分配

  随着机器学习技术的不断发展，其在多个敏感领域的应用日益广泛，如医疗健康、自动驾驶等。这些应用场景对模型的归属权保护提出了更高的要求，尤其是在分布式环境中，如何确保模型的知识产权不被侵犯成为研究的重要方向。联邦学习（Federated Learning, FL）作为一种分布式机器学习范式，允许多个客户端在不共享原始数据的前提下联合训练一个全局模型，从而在隐私保护与模型性能之间取得平衡。然而，一旦训练完成，这些全局模型仍然面临被滥用或盗用的风险，特别是在开放或半信任的环境中。因此，研究如何在联邦学习框架下实现有效的模型归属权保护显得尤为重要。模型水印技术作为一种保护模型知识产权的重要手段，被广泛应

  来源：Knowledge-Based Systems

  时间：2025-11-20

• CSCLN-DDTE：一种具有领域多样性和模板增强功能的跨主题对比学习网络，用于SSVEP-BCI频率识别

  脑机接口（Brain-Computer Interface, BCI）技术作为连接人脑与外部设备的桥梁，近年来在医疗康复、人机交互和辅助控制系统中展现出巨大的潜力。特别是在稳态视觉诱发电位（Steady-State Visual Evoked Potential, SSVEP）领域，该技术因其高信噪比、多编码指令、无需校准以及高信息传输率（Information Transfer Rate, ITR）等优势而受到广泛关注。然而，现有的SSVEP-BCI系统在实际应用中仍面临一些挑战，尤其是在系统可用性和个性化适应方面。本文提出了一种基于跨受试者对比学习的网络结构，即跨受试者对比学习网络（Cro

  来源：Knowledge-Based Systems

  时间：2025-11-20

• MindShot：一种通过跨主体先验知识迁移和频域知识提取实现的多次射击式脑解码框架

  脑解码技术近年来取得了显著进展，尤其是在利用功能性磁共振成像（fMRI）数据重建视觉刺激方面。然而，这一技术仍然面临诸多挑战，例如个体间的差异较大以及数据采集成本高昂。为了解决这些问题，大多数方法采用了“每人每模型”（per-subject-per-model, PSPM）的范式，即为每个受试者单独训练一个解码模型。这种做法虽然在一定程度上提高了模型的准确性，但严重限制了其在新受试者中的应用，因为每次应用都需要重新进行脑扫描，增加了时间和经济成本。为应对这些限制，本文提出了一种专门针对潜在临床场景的少样本脑解码方法，设计了一个名为MindShot的两阶段解码框架。MindShot框架包括两个主

  来源：Knowledge-Based Systems

  时间：2025-11-20

• FedDFS：用于稳定联邦学习的数据过滤

  联邦学习（Federated Learning, FL）是一种机器学习技术，其核心思想是让一个服务器与多个客户端设备协作训练模型，而无需将客户端的数据集中传输到服务器。这种方式在数据隐私保护、分布式计算和边缘计算等场景中具有显著优势。然而，FL在实际应用中面临的一个重要挑战是数据中的标注噪声。这种噪声可能来自数据采集过程中的误差、标签错误或人为标注的不确定性，而这些噪声会对模型训练造成负面影响。具体而言，每个客户端上传的更新信息会引导服务器调整全局模型，从而使得全局模型逐渐适应该客户端特有的噪声数据。这种适应过程可能导致最终的全局模型与真实最优解存在偏差，进而影响模型的泛化能力和整体性能。现有

  来源：Knowledge-Based Systems

  时间：2025-11-20

• Angiopoietin-like 4 通过整合素 β5/FAK 信号通路加剧急性肾损伤中的肾小管上皮细胞焦亡

  沈秀金|王海冰|翁春华|何永春|邵雪|乐静云|陈慧|沈启霞|陈建华|江洪中国浙江省杭州市浙江大学医学院附属第一医院肾脏病中心摘要引言血管生成素样蛋白4（Angptl4）是一种分泌蛋白，参与多种生物过程。我们之前关于Angptl4在轻度病变性肾病（MCD）中作用的研究意外发现，Angptl4与肾功能之间存在密切关联，尤其是在合并急性肾损伤（AKI）的MCD患者中，这提示Angptl4可能在AKI中发挥作用。然而，Angptl4在AKI中的具体作用及其分子机制尚未明确。方法通过ELISA和免疫组化技术分析AKI患者的活检组织及血清样本，以评估ANGPTL4的表达及其与肾功能的相关性。在体外实验中，

  来源：Kinésithérapie, la Revue

  时间：2025-11-20

• 董事会相互制衡网络与企业战略行为的共同演化

  ### 企业董事会交叉网络的动态与影响的协同演化研究董事会交叉网络（board interlock networks）在企业治理中扮演着至关重要的角色，其影响不仅限于公司内部决策，还延伸至更广泛的商业环境和战略行为。这种网络指的是一个公司董事（无论是执行董事还是非执行董事）同时担任另一家公司董事会成员的情况。这种现象在战略研究中引起了广泛的关注，但以往的研究大多将董事会交叉网络的动态与影响视为两个独立的研究领域，分别探讨其演变过程和结果。然而，本研究提出一个关键观点：这些动态与影响实际上是相互依赖、相互塑造的，形成了一种递归的协同演化过程。通过结构化理论（structuration theor

  来源：STRATEGIC MANAGEMENT JOURNAL

  时间：2025-11-20

• 水性聚氨酯-丙烯酸乳液作为无甲醛胶粘剂在装饰纸中的渗透性和固化性能测定

  摘要 本研究旨在探讨无甲醛的水性聚氨酯丙烯酸酯胶粘剂在浸渍装饰纸过程中的渗透性，从胶粘剂和基纸两个角度分析了渗透现象。使用了四种不同的胶粘剂配方对70克/平方米的装饰基纸进行浸渍，以评估不同胶粘剂成分对渗透性的影响。随后，基于确定的最佳胶粘剂配方，进一步研究了交联剂含量对渗透性的影响。最后，将选定的胶粘剂配方应用于不同克重的基纸（包括印刷基纸和未印刷基纸），以考察与纸张相关的因素对渗透性的影响。通过动态渗透分析仪、超深度显微镜、扫描电子显微镜（SEM）、原子力显微镜（AFM）和傅里叶变换红外光谱（FT-IR）对渗透过程和固化行为进

  来源：Polymer Engineering & Science

  时间：2025-11-20

知名企业招聘：