• 针对具有非同质性特征的图结构的受限黑盒攻击

  摘要：图神经网络（GNNs）在各种应用中变得非常流行，但其容易受到对抗性攻击是一个关键问题。在各种图攻击类型中，受限黑盒攻击（RBAs）对攻击者的限制最为严格，因为攻击者只能访问节点特征和图结构。现有的RBAs依赖于同质性假设或基于位移的损失函数来进行结构扰动，但我们证明了这些方法在异质图中都失效了。为了解决这个问题，我们引入了基于节点距离的度量标准作为目标，以从根本上量化扰动后图结构的质量。我们的理论结果表明，所提出的目标使RBAs能够有效处理非同质性图。利用这一目标，我们提出了HetAttack，这是一种可扩展的方法，能够显著降低目标图中节点的可区分度。在合成图和真实世界图上的实验验证了H

  来源：IEEE Transactions on Knowledge and Data Engineering

  时间：2025-11-24

• 通过跨城市元学习对城市时间序列数据进行协同插补

  摘要：城市时间序列数据，如交通流量、能源消耗和污染记录，蕴含了复杂的城市动态和结构特征。然而，由于预算限制和传感器故障等技术难题，每个城市的数据收集都面临困难，因此需要有效的数据插补技术来提高数据的质量和可靠性。现有的数据插补模型主要分为基于学习和基于分析的两种范式，它们在处理模型容量与泛化能力之间的平衡时存在挑战。通过跨城市协作学习来重建数据有望打破这一平衡。不过，城市数据的固有不规则性和异质性问题加剧了城市间知识共享和合作的难度。为了解决这些限制，我们提出了一种新的协作插补范式，该范式利用元学习得到的隐式神经表示（INRs）。INRs能够实现从领域坐标到目标值的连续映射，结合了两种范式的优

  来源：IEEE Transactions on Knowledge and Data Engineering

  时间：2025-11-24

• 探索用于基于方面的情绪分析的上下文无关观点语法

  摘要：最近，利用预训练的生成模型进行情感元素提取显著提升了基于方面的情绪分析基准测试的性能。然而，这些模型存在两个主要缺点：1) 计算成本高，包括推理时间和硬件要求；2) 缺乏明确的建模机制，因为它们使用脆弱的语言或符号序列来表示情感元素之间的联系。为了解决这些问题，我们提出了一种新颖的意见树解析模型，能够快速从意见树中提取情感元素。这种方法不仅加快了处理速度，还清晰地揭示了更加全面和详细的情感结构。我们的方法首先引入了一种开创性的无上下文意见语法来标准化意见树的结构。随后，我们利用基于神经网络的图表解析器来深入探索情感元素之间的相互关系，并将它们解析成结构化的意见树。大量实验验证了我们所提出

  来源：IEEE Transactions on Knowledge and Data Engineering

  时间：2025-11-24

• 基于物联网的城市交通图像语义分割方法

  摘要：为了解决交通道路复杂场景识别中不同类别权重不平衡的问题，本文提出了一种基于物联网（IoT）的城市交通图像语义分割（ISS）方法。该方法采用全卷积神经网络（Full-CNN）进行城市交通图像特征提取，并将DenseNet架构扩展为FCNDN（Full-CNN-DenseNet），利用DenseNet的特性减少参数数量，以实现城市交通信息的自动处理和智能分析。在城市景观数据集的语义分析方面，该方法在交通标志和车辆识别方面具有更高的分割精度和处理速度。具体而言，FCNDN的准确率比eNet和ContextNet等大多数网络高出10%，并且可以实现超过30 FPS的实时处理速度。在PA指数性能比

  来源：IEEE Internet of Things Magazine

  时间：2025-11-24

• 基于自适应Dzip变压器的数据压缩技术在数字孪生系统中的应用

  摘要：随着物联网（IoT）系统复杂性的不断增加，尤其是在数字孪生（DT）应用中，数据压缩方法变得尤为重要，因为这些系统需要确保数据的实时传输和处理。传统的压缩技术往往难以满足IoT环境中的异构性、低延迟和资源限制等要求。在本文中，我们提出了自适应Dzip变压器压缩技术（ADTCT），这是一种旨在应对这些挑战的新框架。ADTCT将深度神经网络与算术编码相结合，在保持低延迟和最小内存使用量的同时显著提高了压缩效率——这对于资源受限的IoT设备至关重要。ADTCT的核心创新在于其双流神经网络架构，该架构结合了自举神经网络（BNN）和支持神经网络（SNN），并通过混合训练策略实现了实时适应性，而无需依

  来源：IEEE Internet of Things Journal

  时间：2025-11-24

• ReLU函数的最优条件数

  摘要：ReLU是深度神经网络中广泛使用的一种激活函数。本文研究了ReLU映射的稳定性特性。对于任意权重矩阵A ∈ Rm×n和偏置向量b ∈ Rm（位于某一层），我们定义条件数为κA,b = UA,b/LA,b，其中UA,b和LA,b分别表示上Lipschitz常数和下Lipschitz常数。我们首先证明了对于任意给定的A和b，条件数满足κA,b ≥ √2。此外，当某一层的网络权重被初始化为独立的随机高斯变量且偏置项被设置为零时，条件数会渐近地趋近于这个下界。我们的发现为随机初始化的神经网络的特性提供了宝贵的见解，有助于更好地理解它们的初始行为和潜在性能。

  来源：IEEE Transactions on Information Theory

  时间：2025-11-24

• GraphCleanse：通过对比训练防御图学习中的后门攻击

  摘要：图神经网络（GNNs）极易受到多种对抗性攻击的影响，其中后门攻击是最难应对的类型之一，因为它会导致模型分类错误。与深度神经网络（DNNs）类似，GNNs中的后门攻击是通过攻击者修改图数据的一部分，并将标签替换为目标标签来实现的，这会使模型在训练过程中学习到这些触发特征。尽管最近出现了一些防御技术，但基于可解释性和数据隔离的方法往往无法检测到带有隐蔽触发器的恶意样本，而差异学习方法则可能因去除有用特征而降低模型性能。为了克服这些限制，我们提出了一种名为GraphCleanse的新型后门防御方法，该方法能够在训练过程中有效消除潜在的后门特征。具体而言，GraphCleanse利用图对比训练轻

  来源：IEEE Transactions on Information Forensics and Security

  时间：2025-11-24

• CRM-NAS：一种基于结构适应性和注意力机制的指纹重建方法，用于处理噪声干扰的OCT数据

  摘要：作为重要的生物特征，指纹已被广泛应用于各种安全领域。然而，传统的自动指纹识别系统（AFIS）的性能受到外部指纹（EF）质量的限制，尤其是在指纹受损或变形的情况下。利用光学相干断层扫描（OCT）获取的内部指纹（IF）来克服这些限制被认为是一种有前景的方法。内部指纹能够弥补和恢复退化外部指纹中缺失的纹路特征，从而提高AFIS的整体识别准确性。然而，OCT图像中的散斑噪声严重限制了内部指纹的重建，使得准确提取手指组织轮廓变得复杂且计算量大。为了提高OCT指纹技术的适用性，本文提出了一种基于神经架构搜索（NAS）的OCT指尖内部轮廓回归网络，称为CRM-NAS。CRM-NAS采用基于NAS的内部

  来源：IEEE Transactions on Information Forensics and Security

  时间：2025-11-24

• 用于肌腱-鞘驱动机器人的离散时间自适应神经网络控制

  摘要：肌腱-鞘机构因其高柔韧性和远距离传递动力的能力，在康复、外科手术和救援机器人领域得到广泛应用。然而，鞘配置依赖的非线性特性使得对肌腱-鞘驱动机器人的精确控制变得颇具挑战性。在本文中，我们研究了离散时间域内肌腱-鞘驱动机器人的跟踪控制问题。首先，利用欧拉近似方法建立了一类多关节肌腱-鞘驱动机器人的离散数学模型。该模型全面考虑了肌腱与鞘之间的摩擦、肌腱变形以及末端负载对机器人动力学的影响。随后，通过反步技术为肌腱-鞘驱动机器人提出了一种离散时间自适应神经网络（NN）控制器。该控制器采用径向基函数神经网络（RBFNN）来逼近未知的非线性函数，并通过两种自适应更新律来调整动态参数，从而有效应对系

  来源：IEEE Transactions on Industrial Electronics

  时间：2025-11-24

• 超越均值：神经渲染中感知质量统计度量框架的建立与验证

  在虚拟现实和增强现实技术飞速发展的今天，新视角合成（Novel View Synthesis，NVS）作为生成沉浸式体验的核心技术，其重要性不言而喻。通过神经渲染（Neural Rendering）技术，例如神经辐射场（NeRF）及其后续发展模型，人们能够从稀疏的观测点生成场景的逼真新视图，这为自由视点导航和高保真沉浸感提供了可能。然而，一个长期存在的实践是，大多数神经渲染模型在评估其性能时，仅报告合成新视图的均值（Mean）作为整体感知质量的指标。这种做法是否足够可靠？均值能否全面捕捉用户在沉浸式环境中的真实体验？这些问题引发了研究社区的深入思考。毕竟，在沉浸式显示中，NVS系统的成功与否，

  来源：IEEE Open Journal on Immersive Displays

  时间：2025-11-24

• 基于贝叶斯学习的自动调制分类：面向边缘计算的OOD检测新方法

  在无线通信系统中，自动调制分类（AMC）技术犹如信号的“身份证识别器”，对频谱管理、干扰识别和安全防护具有关键作用。传统基于深度学习的AMC方法虽然在高信噪比环境下表现优异，却存在一个致命缺陷：当遇到训练时未曾见过的调制类型时，系统会强行将其归类为已知类别，并给出高置信度错误判断。这种“过度自信”的预测行为在军事侦察、物联网设备识别等实际场景中可能带来严重后果。更棘手的是，现实通信环境中的信号往往伴随着复杂噪声和干扰，信噪比（SNR）波动剧烈。传统方法在低信噪比条件下性能急剧下降，且无法对预测结果的不确定性进行量化。随着边缘计算设备的普及，如何在有限的计算资源下实现可靠且具备“自知之明”的AM

  来源：IEICE Communications Express

  时间：2025-11-24

• 基于脑电神经反馈的Lokomat步行动作意象训练增强完全性脊髓损伤患者的运动节律

  当脊髓遭遇严重损伤，大脑与肢体间的神经通路就像被切断的电缆，导致运动功能永久性丧失。尤其对于被诊断为完全性脊髓损伤（ASIA A级）的患者，传统康复手段往往收效甚微。然而，近年来科学家发现，即使在外周运动通路中断的情况下，大脑仍保留着指挥运动的"记忆密码"——通过想象行走动作（运动意象，Motor Imagery, MI），能够激活大脑运动皮层的特定节律活动。这为瘫痪患者的康复带来了新的曙光。但如何让患者准确掌握这种"意念行走"的技巧？单纯依靠想象犹如盲人摸象，缺乏实时反馈使得训练效果大打折扣。与此同时，机器人辅助步态训练设备Lokomat虽能提供精准的被动步行训练，但其产生的机械运动本身就会

  来源：IEEE Transactions on Human-Machine Systems

  时间：2025-11-24

• 以人为中心的自动驾驶中的汽车驾驶舱与驾驶集成：一项综述

  摘要：智能驾驶旨在处理复杂环境中的动态驾驶任务，而车载驾驶员的行为则较少受到关注。相比之下，智能驾驶舱主要侧重于与驾驶员的互动，与驾驶场景的关联相对有限。由于车载驾驶员的行为可能对驾驶策略产生显著影响，从而对自动驾驶车辆的安全性产生不可忽视的影响，因此通常需要将驾驶舱与驾驶系统的集成（CDI）纳入考虑范围，以便在制定驾驶策略时充分考虑驾驶员的行为和意图。然而，尽管CDI在安全驾驶中发挥着重要作用，但目前尚缺乏对现有CDI技术的全面综述。因此，我们有必要总结CDI方法的最新进展，并研究其发展趋势。为此，我们详细探讨了CDI在自动驾驶车辆感知和决策中的应用，并指出了亟需解决的关键问题。此外，我们提

  来源：IEEE Transactions on Human-Machine Systems

  时间：2025-11-24

• 基于不可预测的预期活动的紧急运动意图检测：一项脑电图（EEG）研究

  摘要：目的：紧急情况预判（EA）是指大脑在面对迫在眉睫的紧急情况时迅速进行的感知、认知和运动准备。及时解读这种预判机制有助于在行为完全执行之前采取主动应对措施，这在现实世界中至关重要，例如避免危险或减轻事故后果。然而，支撑这一预判过程的皮层激活机制尚未得到充分研究。本研究旨在分析紧急情况预判过程中的神经活动，并探讨结合脑机接口（BCI）技术检测紧急运动意图的可行性。方法：我们在虚拟环境中设计了一种新的紧急状态诱导范式，包括一项目标任务（紧急情况预判，EA）和两项基线任务（紧急情况预判执行，EAE；视觉观察，VO）。共有31名健康受试者参与了这项离线实验。通过分析事件相关电位、运动相关皮层电位以

  来源：IEEE Transactions on Human-Machine Systems

  时间：2025-11-24

• 在未知欺骗攻击下，针对MIMO切换式CPSs的弹性自适应安全控制

  摘要：本文研究了在未知的传感器和执行器欺骗攻击下，多输入多输出（MIMO）切换式网络物理系统（CPSs）的控制问题。由于存在未知的欺骗攻击，系统状态会受到影响，导致传感器无法获取准确的状态变量以进行反馈。为了解决这个问题，本文设计了一种新的坐标变换方法和攻击补偿器，这些方法利用了受损的状态变量。此外，还结合了径向基函数神经网络（RBF NNs）和动态表面控制（DSC）技术来减轻执行器欺骗攻击的影响。考虑到通信资源的限制，本文提出了一种两位触发（TBT）机制以进一步节省通信资源。在任意切换规则和所提出的控制方案下，可以保证闭环系统中的所有信号都均匀地收敛到原点的一个小邻域内，且稳定性误差也会收敛

  来源：IEEE Transactions on Green Communications and Networking

  时间：2025-11-24

• IPQC：一种智能量子图卷积网络，用于绿色物联网中的拓扑数据处理

  摘要：在绿色物联网（Green IoT）应用中处理图结构数据需要同时关注分析精度和能源效率。尽管量子图神经网络（QGNNs）提供了一种有前景的计算范式，但它们所依赖的参数化量子电路（PQC）通常需要过高的计算深度且缺乏鲁棒性，这限制了其在资源受限环境中的应用。本文的核心问题是如何设计一种受量子启发的图卷积网络（GCN），使其在保持表达能力的同时，采用浅层、低能耗的电路设计，从而实现可持续的绿色物联网部署。我们的主要贡献有三个方面：首先，我们设计了智能参数化量子电路（IPQC），这是一种紧凑的、包含15个参数的双向控制量子卷积模块，它在提升表达能力的同时保持了参数效率和抗噪声能力；其次，基于该模

  来源：IEEE Transactions on Green Communications and Networking

  时间：2025-11-24

• 利用动态因果图提升时空预测模型的性能

  摘要时空预测在许多应用中已成为一项重要任务，例如交通预测。由于数据具有时空特性，大多数先进方法严重依赖图神经网络来模拟内在的空间关系。然而，这些方法大多通过应用预先存在的邻接知识或学习静态的自适应邻接矩阵来处理空间数据。因此，在空间依赖性随时间变化的动态情况下，它们的预测性能受到限制。此外，考虑到随机训练过程，从头开始学习自适应邻接矩阵也使得神经网络难以获得稳定的参数和性能。为了解决上述挑战，本文提出了三种实用的扩展方法，将动态因果知识融入图卷积网络的训练中。首先，我们使用一种动态因果发现算法分析了交通节点之间的动态因果关系，并在每个扩展模型中应用该算法。随后，空间模块利用动态因果图来揭示节点

  来源：ACM Transactions on Spatial Algorithms and Systems

  时间：2025-11-24

• 重新思考多模态序列推荐中的卷积神经网络

  摘要多模态数据能够更全面地反映用户兴趣的变化，因此近年来多模态序列推荐（MSRS）受到了广泛关注。然而，MSRS面临两个关键挑战：（1）如何有效地建模用户交互序列中的长距离依赖关系；（2）如何高效地融合多模态特征。为了解决这些挑战，本文提出了一种基于纯卷积神经网络（CNN）的新型多模态序列推荐架构，称为PCMSRec。PCMSRec包含两个关键创新点：首先，通过使用大核卷积的全局感受野来建模多模态用户交互序列中的长距离依赖关系，突破了现有基于CNN的方法只能捕获局部短距离依赖关系的局限；其次，利用CNN架构的高灵活性，通过精心设计的卷积层架构和融合策略来建模项目多模态特征之间的关系。具体来说，

  来源：ACM Transactions on Information Systems

  时间：2025-11-24

• 高维神经网络势能中的长程相互作用：针对小有机分子的基准研究

  许多机器学习势（MLPs）依赖于根据原子在其局部环境中的位置来表示总能量，通常使用截止半径或有限数量的消息传递层来实现。这限制了它们准确模拟长程分子间相互作用的能力。可以通过将长程静电和色散相互作用明确纳入MLP框架来克服这一限制。在本文中，我们研究了在高维神经网络势（HDNNPs）中加入静电和色散修正对预测小有机分子间气相分子相互作用的影响。我们采用基于机器学习的电荷平衡（QEq）方案来模拟静电作用，并使用机器学习交换-空穴偶极矩（MLXDM）模型来解释色散效应。所开发的CombineNet模型将这些长程项与基于密度泛函理论（DFT）数据训练得到的短程原子能量相结合，在DES370K测试集上

  来源：The Journal of Physical Chemistry B

  时间：2025-11-24

• 通过标签混合策略制定稳健的化学反应条件建议

  在人工智能驱动的化学研究中，推荐最佳反应条件仍然是一个核心挑战，这主要是由于条件特征的表示能力有限以及标记数据的稀疏性所致。我们提出了一种协同过滤框架，该框架利用图神经网络对反应条件进行编码，并通过差分交叉注意力机制捕捉这些条件与反应之间的相互作用，从而有选择地关注最相关的条件特征。为了减少数据集中的噪声和稀疏性问题，我们引入了“标签混合”策略，通过混合条件标签来增强训练信号；同时采用共现矩阵正则化来促进具有化学意义的相互作用。在多个基准数据集上的广泛评估表明，我们的方法在完整数据和少量样本情况下均表现出色，在准确性、泛化能力和鲁棒性方面均取得了显著的提升。

  来源：Journal of Chemical Information and Modeling

  时间：2025-11-24

知名企业招聘：