• 急性缺血性中风后的亚急性水肿进展：静脉注射阿替普酶与再灌注程度的影响

  在急性缺血性脑卒中（AIS）的治疗中，静脉溶栓（IVT）联合血管内治疗（EVT）与单纯EVT的效果存在争议。近年研究提示，IVT的益处可能随时间推移而减弱，尤其在发病至治疗时间延长的患者中更为显著。然而，关于IVT对亚急性期脑水肿进展的具体影响，现有证据仍不充分。脑水肿作为缺血性卒中的常见并发症，其进展程度与患者功能预后密切相关，但水肿变化的量化方法曾面临挑战。本研究通过创新性引入“净水分摄取”（NWU）指标，系统评估了IVT对脑水肿亚急性期进展的影响，并进一步结合再通程度（eTICI评分）进行分层分析。研究基于MRCLEAN NO-IV多中心随机试验数据库，纳入115例符合标准的患者。所有患

  来源：Frontiers in Neurology

  时间：2025-11-25

• 探索情绪状态与编码任务质量之间的联系：一项初步研究

  该研究聚焦于情绪状态与编程任务质量的关系，通过整合神经科学方法和心理学评估工具，揭示了开发者情绪波动与代码产出之间的潜在关联。研究采用10名大学生作为样本，结合脑电信号（EEG）采集和标准化心理量表（SPANE），对编程任务的完成质量进行多维度评估，为理解情绪对认知行为的影响提供了新的视角。在实验设计上，研究者创新性地将神经生物学指标与主观报告相结合。通过Biosemi ActiveTwo系统记录前额叶α波活动，构建了Frontal Asymmetry Index（FAI）作为核心神经标记物，该指标通过比较左右前额叶皮层的α波能量差异，量化了情绪偏向的神经机制。同时，采用Diener开发的SP

  来源：Frontiers in Human Neuroscience

  时间：2025-11-25

• 静息态功能性磁共振成像（fMRI）的独立成分分析确定了在接受激光间质热疗治疗颞叶癫痫后与无癫痫发作状态相关的脑区

  颞叶内侧癫痫（mTLE）是成人药物难治性癫痫的常见类型，而激光间质热疗（LITT）作为一种微创手术方式，近年来在临床中广泛应用。然而，手术预后的个体差异仍缺乏明确的生物标志物支持。近期一项针对28例接受LITT治疗的mTLE患者的研究，通过术前静息态功能磁共振成像（rs-fMRI）的独立成分分析（ICA）和广义线性模型（GLM）相结合的方法，首次系统性地揭示了术前脑功能连接模式与术后 seizure-free（SF）结局的关联，为优化患者选择提供了新视角。### 研究背景与核心问题颞叶癫痫的手术干预效果受多种因素影响，其中癫痫网络的空间分布特征备受关注。传统研究多聚焦于海马、杏仁核等解剖结构，

  来源：Frontiers in Neurology

  时间：2025-11-25

• 全身麻醉与局部麻醉以及对侧血管状况对前循环阻塞患者预后的影响

  本研究聚焦于麻醉类型对血管内取栓（EVT）术后预后的影响机制，并首次提出以灌注影像学指标——脑血流量强度比（HIR）作为预测麻醉策略选择的关键生物标志物。研究通过单中心回顾性队列分析，纳入2018-2022年间接受前循环大血管闭塞EVT治疗702例患者，发现麻醉类型与患者预后的关系存在显著的地域性差异，这种差异可通过侧支循环状态进行精准分层。在研究设计层面，研究团队创新性地采用多重验证框架。首先通过倾向得分匹配平衡基线特征，消除选择偏倚；其次运用加权多变量Logistic回归分析，并引入限制性立方样条（RCS）技术处理非线性的HIR与预后的关系；最后通过双重稳健估计模型，将倾向得分匹配与多变量

  来源：Frontiers in Neurology

  时间：2025-11-25

• 《Bamboo：一种具有等角紧框架原型的会话感知框架，用于少样本类增量学习》

  摘要：与少量样本的任务增量学习（FSTIL）相比，少量样本的类别增量学习（FSCIL）面临更大的挑战，因为需要在不知道会话标识符（session-ID）的情况下对所有先前的类别进行分类。为了解决这个问题，我们提出了Bamboo框架，该框架为FSCIL引入了一种级联推理机制，用于显式推断每个样本的会话ID。这种机制通过一种新颖的、特定于会话的等角紧框架原型（ETF-P）分类器来实现。通过自适应地融合与会话无关和与会话相关的语义信息，ETF-P分类器能够可靠地判断一个样本是否属于其对应的会话，这是级联过程中每一步都需要做出的核心决策。考虑到学习过程的增量特性（类似于竹子的持续生长），我们将基础会话

  来源：IEEE Transactions on Neural Networks and Learning Systems

  时间：2025-11-25

• 从“所见”到“未见”：利用基础模型重塑观察-指令机制，以增强视觉-语言导航能力

  摘要：数据稀缺一直是视觉语言导航（VLN）领域长期面临的挑战，这极大地限制了智能体对未见环境的泛化能力。以往的研究主要依赖于额外的模拟器数据或从网络上收集的图像/视频来提高泛化性能。然而，模拟器环境的多样性仍然有限，而从网络上收集的数据往往需要大量的人工劳动来去除噪声。在本文中，我们提出了一种基于重写驱动的增强方法（Rewriting-driven AugMentation，简称RAM），该方法通过重写人类标注的训练数据直接生成未见过的观察-指令对。得益于我们的重写机制，可以在无需模拟器且节省劳动力的情况下获得新的观察-指令对，从而促进泛化能力的提升。具体而言，我们首先引入了对象增强的观察重写

  来源：IEEE Transactions on Neural Networks and Learning Systems

  时间：2025-11-25

• SAFT：利用自监督鲁棒立体匹配技术实现水下车辆的实时跟踪与绘图

  摘要：对于水下航行器而言，鲁棒且高效的跟踪与定位技术至关重要，但由于视觉质量下降、特征不明显以及计算资源有限，这些任务仍然具有挑战性。尽管最近基于深度学习的立体匹配方法显著提升了机器人的几何感知能力，但大多数现有方法难以同时实现高速度和强泛化能力。为了解决这些问题，我们提出了SAFT框架，该框架基于自监督、鲁棒性的实时立体匹配技术。SAFT框架引入了三项关键创新：1) SAFT-Stereo：一种新型立体匹配网络，它将成本聚合与迭代优化相结合，从而在特征稀疏区域实现高效的视差估计；2) 一种时空自监督损失函数，该函数利用空间和时间约束在无纹理区域提供稳定的训练信号；3) SAFT-DSOL：一

  来源：IEEE Transactions on Neural Networks and Learning Systems

  时间：2025-11-25

• 关于鲁棒且准确分类器的连续性

  摘要：学习模型的可靠性是机器学习在各种应用中成功部署的关键。创建一个稳健的模型，特别是不受对抗性攻击影响的模型，需要全面理解对抗性样本现象。然而，由于机器学习问题的复杂性，描述这一现象非常困难。研究表明，对抗性训练可以提高模型的鲁棒性，但这种提升通常会以在自然样本上性能下降为代价。因此，有人认为模型的鲁棒性和准确性是相互矛盾的。在本文中，我们提出了另一种观点，即在这些情况下，模型的连续性与鲁棒性和准确性是不兼容的。换句话说，连续函数无法有效地学习出最优的鲁棒模型。我们提出了一个框架，用于从学习理论的角度严格研究和谐函数与全纯函数，并提供了实证证据，证明在某些常见的机器学习任务中，连续函数的性能

  来源：IEEE Transactions on Neural Networks and Learning Systems

  时间：2025-11-25

• GCM：通过图合作建模实现可解释的多智能体强化学习

  摘要：多智能体强化学习（MARL）已经得到了广泛的研究，涵盖了从理论分析到实际应用等多个方面。然而，现有的不透明神经网络架构的使用导致了决策过程的不透明性，使得人们难以理解和信任所使用的模型。从根本上说，所有数据都是一种拓扑结构，这种结构由于其强大的关系表达能力、可扩展性和明确的结构关系，为MARL任务提供了可靠的透明度。在本文中，我们提出了一种新的图合作建模（GCM）方法，该方法利用图结构明确地捕捉和理解智能体之间复杂的协作关系动态。GCM学习了一个度量函数来识别智能体之间的有益互动，并将其集成到图神经网络（GNN）的智能体聚合策略中，该网络能够模拟任意阶的互动。此外，GCM结合了身份语义以

  来源：IEEE Transactions on Neural Networks and Learning Systems

  时间：2025-11-25

• 解释神经网络：分层反向传播集成学习

  摘要：深度模型以其复杂的结构和端到端优化特性而著称，在基于现实世界数据提供决策支持方面表现出色。然而，它们决策过程的透明度不足以及难以解释单个神经元的作用，限制了其在许多关键和敏感领域的实际应用。本文受到神经网络与集成模型之间相似性的启发——在集成模型中，性能是通过多个“弱学习器”的协作来实现的。本文提出了一种新的视角，将神经网络重新定义为层次化的集成系统。我们提出了层次化反向传播集成（HBE）模型，在该模型中，每个神经元既作为基础学习器，同时也作为前一层神经元集成的一部分。这一框架将集成学习技术应用于神经网络，使每个神经元能够专注于特定的子任务，同时逐步构建出一个满足全局目标的网络。在真实世

  来源：IEEE Transactions on Neural Networks and Learning Systems

  时间：2025-11-25

• 一种具有精确预设时间收敛特性的混合增益ZNN算法，适用于时变LMVI问题，并将其应用于UR机器人臂和多智能体系统

  摘要：时变增益归零神经网络（TVG-ZNNs）是解决时变线性矩阵-向量不等式（TVLMVIs）最有效的工具之一。尽管带有复杂非线性激活函数的TVG-ZNNs能够在有限或预定义的时间内有效收敛，但它们会带来较高的计算成本，并且在精确预定义其实际收敛时间方面存在挑战。相比之下，带有线性激活函数的TVG-ZNNs虽然计算成本较低，但在有限或预定义时间内难以实现收敛。此外，大多数现有TVG-ZNNs的增益值会随时间增加，从而导致计算成本显著上升。为了解决这些矛盾问题，我们提出了一种新型的混合增益ZNN（HG-ZNN-WNAF），该网络不使用非线性激活函数，适用于有噪声和无噪声的环境。具体来说，我们巧妙

  来源：IEEE Transactions on Neural Networks and Learning Systems

  时间：2025-11-25

• LaMI-GO：基于潜在混合模型的目标导向通信技术，实现高效频谱利用

  摘要：近年来，语义化通信方式的兴起推动了目标导向通信（GO-COMs）的发展，使得多媒体信息传输变得更加高效。GO-COMs的概念利用先进的人工智能（AI）工具来满足在边缘计算和物联网（IoT）等应用中对带宽效率日益增长的需求。与传统专注于源数据准确性的通信系统不同，GO-COMs提供了智能的消息传递方式，以满足接收端完成下游任务所需的特殊需求。在这项工作中，我们提出了一个新颖的GO-COM框架——LaMI-GO，该框架利用新兴的生成式AI技术来实现更高的服务质量（QoS）和超高的通信效率。具体而言，我们的LaMI-GO系统架构基于潜在扩散模型，并结合了向量量化生成对抗网络（VQGAN）来实现

  来源：IEEE Transactions on Neural Networks and Learning Systems

  时间：2025-11-25

• HET：一种用于特定发射体识别的高效高频增强变压器

  摘要：在无线通信和雷达系统等各种应用中，特定发射体识别（SEI）是一项关键任务。传统Transformer的低通特性限制了高频特征信息的提取，从而导致SEI性能不佳。此外，引入额外的高频感知结构虽然可以提高计算密集型Transformer的计算效率，但也会增加其复杂性。为了解决这些问题，我们提出了一种名为HET的高频增强型低复杂度Transformer。该框架集成了多头低复杂度自注意力（MLSA）模块、高频增强连接以及多头高频增强低复杂度自注意力（MESA）模块。MLSA模块通过键值映射降低了计算复杂度；MESA模块和高频增强连接模块通过重构特征的低频和高频成分来捕获高频信息。我们基于不同的增

  来源：IEEE Transactions on Neural Networks and Learning Systems

  时间：2025-11-25

• 通过带有“最小值”约束的双上限Lp范数距离度量学习鲁棒判别投影

  摘要：近年来，基于鲁棒范数距离的线性判别分析（LDA）技术发展迅速，在特征提取领域受到了广泛关注。然而，一个尚未解决的问题是：虽然成功抑制了异常值，但可能会无意中影响对正常点的准确判别。为了解决这个问题，我们在本文中研究了一种新的鲁棒LDA方法，该方法采用双上限Lp范数距离（CLD）度量，并结合最小值约束（DCLDA）来学习鲁棒的判别投影，在这种方法中，正常点和异常值被分别处理。具体来说，所提出的模型使用带有“最小值”约束的双上限Lp范数来度量类间和类内的分散程度。该模型通过Lp范数有效确保了对正常点的准确判别，同时消除了由于较大的p值可能导致的异常值的过度影响。由于问题的非凸性和非光滑性，求

  来源：IEEE Transactions on Neural Networks and Learning Systems

  时间：2025-11-25

• 通过固定点方程实现黎曼双层次优化中的黎曼隐式微分

  摘要：各种黎曼优化任务，如黎曼元优化（RMO）和黎曼元学习，可以表述为黎曼双层优化问题（即内层优化和外层优化）。隐式微分在解决RMO时表现出有效性，它将外层梯度的计算与内层过程分离，避免了巨大的计算负担。然而，将隐式微分扩展到其他黎曼双层优化任务并非易事，因为这需要大量专家参与针对每个任务进行单独的推导。在本文中，我们提出了一种黎曼隐式微分方法，该方法为外层梯度提供了一个统一的表达式，从而可以更灵活地应用于其他任务，并减少专家的参与度。具体来说，我们将内层优化表述为一个不动点方程的求解过程，通过这种方式，不同任务之间的内层优化被统一地表述出来。通过对不动点方程进行微分，我们得到了外层梯度的统一

  来源：IEEE Transactions on Neural Networks and Learning Systems

  时间：2025-11-25

• 基于模糊逻辑的神经自适应容错控制技术，用于具有随机干扰和非对称间距约束的车辆编队

  摘要：本文介绍了一种新型的模糊逻辑增强型神经自适应滑模控制（FLENNSMC）框架，该框架专为面临多重挑战的车辆车队系统而设计。通过结合模糊逻辑的解释能力和神经网络的自适应学习功能，FLENNSMC能够有效应对非线性动态、随机干扰、执行器故障以及严格的非对称间距约束。我们提出了一种Takagi–Sugeno（T-S）模糊模型来构建学习过程，并采用模糊逻辑增强型RBFNN（FLERBFNN）来稳健地逼近未知函数，包括未建模的动态和故障信号。控制器设计中包含了容错控制机制以提高鲁棒性，使用了非对称屏障李雅普诺夫函数（BLF）来严格满足间距约束，以及Nussbaum函数来补偿方向未知的执行器故障。模

  来源：IEEE Transactions on Neural Networks and Learning Systems

  时间：2025-11-25

• 具有误差约束的多玩家系统的自适应最优规定性能跟踪解决方案

  摘要：本文介绍了基于自适应评论家学习方案的多人非线性系统的自适应最优性能跟踪解决方案，其中跟踪误差被限制在预定义的有界范围内。首先，提出了多人非线性系统的一般最优跟踪解决方案。每个玩家的最优跟踪解决方案由稳态部分和自适应反馈部分组成。稳态部分可以根据跟踪信号和系统动态直接获得。然后，通过规定的性能约束和自适应评论家学习来研究自适应反馈部分，使得多个价值函数在误差约束下达到纳什均衡。此外，利用李雅普诺夫算法分析了评论家网络权重的收敛性。最后，通过仿真结果和实验验证了所提出方法的良好性能。

  来源：IEEE Transactions on Neural Networks and Learning Systems

  时间：2025-11-25

• 通过记忆雨天特征和重放机制实现更好的去雨化泛化

  摘要：当前的图像去雨方法主要依赖于有限的数据集进行学习，因此在面对多样化的实际雨天环境时表现不佳。为了解决这个问题，我们提出了一个新的框架，该框架使网络能够通过利用不断增长的数据集来逐步扩展其去雨知识库，从而显著提升其适应性。我们的方法借鉴了人类大脑持续从经验中学习并进行泛化的能力，采用了互补学习系统的机制。具体来说，我们首先使用生成对抗网络（GANs）来捕捉和保留新数据的独特特征，这类似于海马体在学习和记忆中的作用。然后，去雨网络同时使用现有数据和GAN生成的数据进行训练，模仿海马体重放和交错学习的过程。此外，我们还利用重放数据进行知识蒸馏，以复制海马体重放触发的新皮层活动模式与现有新皮层知

  来源：IEEE Transactions on Neural Networks and Learning Systems

  时间：2025-11-25

• 蝴蝶残差网络：一种结合光谱变换和深度卷积的混合方法，用于高光谱图像超分辨率处理

  摘要：高光谱图像（HSI）超分辨率重建是一个具有挑战性的病态逆问题，其目标是通过整合高分辨率多光谱图像（HR-MSI）中的互补信息来提升低分辨率高光谱图像（LR-HSI）的空间分辨率，最终生成高分辨率的高光谱图像（HR-HSI）。现有方法通常采用残差连接和深度层堆叠来促进信息传播。虽然残差连接能够有效保持梯度流动，但我们观察到，在高维光谱任务中简单增加网络深度可能会导致特征冗余和性能饱和。为了解决这些问题，本文提出了一种新型的蝴蝶残差网络（BRNet），该网络结合了光谱变换器和深度卷积，从学习策略和特征提取两个角度优化了高光谱超分辨率重建的准确性和计算效率。在学习策略方面，提出了一种递归结构，

  来源：IEEE Transactions on Neural Networks and Learning Systems

  时间：2025-11-25

• 通过自适应Lasso先验实现稀疏贝叶斯广义学习系统，以增强回归的鲁棒性

  摘要：广域学习系统（BLS）作为一种创新的神经网络类型，在回归任务中表现出色。然而，大多数依赖最小二乘准则的BLS方法对异常值和噪声数据非常敏感，从而导致预测精度降低。为了提高广域学习系统的鲁棒性，本文提出了一种基于自适应Lasso先验的稀疏贝叶斯BLS（AL-SBBLS）方法，用于处理受异常值和噪声污染的数据。具体而言，首先应用自适应Lasso约束来增强输出权重的稀疏性，从而便于自动选择高度相关的特征。随后构建了一个多层贝叶斯框架，为输出权重提供自适应Lasso先验，使模型能够自适应学习正则化因子并估计输出值的概率分布，同时进一步简化网络结构。通过选择高度相关的特征并估计输出值的概率分布，可

  来源：IEEE Transactions on Neural Networks and Learning Systems

  时间：2025-11-25

知名企业招聘：