• GCL-GroW：通过群组白化实现图对比学习

  本文介绍了一种新颖的图对比学习方法，名为“基于特征组白化的图对比学习”（Graph Contrastive Learning via Group Whitening，简称 GCL-GroW）。该方法旨在解决当前图神经网络（GNNs）在图结构数据学习过程中面临的关键问题，尤其是在标注数据稀缺的情况下，如何在不依赖负样本和复杂架构的前提下，提升模型的性能与效率。图神经网络因其能够有效捕捉图结构中的关系和依赖性，已被广泛应用于图数据的分析中。它们通过节点特征和图结构的结合，学习出具有语义意义的节点表示。传统的 GNN 模型，如 GCN、SGC 和 GAT，通过邻域聚合机制不断更新节点嵌入，从而在多种

  来源：Pattern Recognition

  时间：2025-11-20

• 青少年的社会评价性决策与分离焦虑：θ波动力学及其计算相关性

  青春期是人生中一个充满变化的阶段，涉及社会、行为和神经等多个领域的显著发展（Blakemore, 2008; Sebastian et al., 2010）。在这一时期，同伴关系变得尤为重要，青少年往往投入大量时间和精力去建立和维持这些关系，并寻求同伴的认可（Steinburg & Morris, 2000）。积极的同伴经历通常对心理健康有益（Allen et al., 2005），而负面的同伴互动则可能导致不良后果，如焦虑、抑郁、社交退缩、孤独、敌意、愤怒和攻击性等（Kingery et al., 2010; Steinburg & Morris, 2000）。对于某些青少年而言，与同伴之间

  来源：Neuropsychologia

  时间：2025-11-20

• 食物奖励的价值如何引发积极的记忆，从而缓解小鼠与焦虑相关的行为

  这项研究探讨了食物的可口性对小鼠奖励相关记忆形成的影响，以及这些记忆如何缓解焦虑相关行为。在现代社会，焦虑和压力已成为主要的心理问题，而通过强化积极记忆或情绪来治疗焦虑，提供了一种有前景的新途径。本研究采用三种实验，结合了升高十字迷宫（EPM）和跑道任务，以评估不同奖励价值的食物是否能够更有效地形成缓解焦虑的奖励相关记忆。在实验一中，研究者发现，接受标准食物奖励训练的小鼠在随后的测试中表现出更强的偏好，特别是对曾经获得奖励的开放臂，相较于未接受食物奖励的对照组，其焦虑相关行为明显减少。这一发现表明，食物奖励可以诱导形成一种与空间相关的积极记忆，这种记忆即使在没有食物奖励的情况下，仍然能够影响小

  来源：Learning and Motivation

  时间：2025-11-20

• 心血管代谢健康与痴呆及脑萎缩的风险：一项针对中国50万成年人的基于社区的前瞻性队列研究

  在中国，随着人口老龄化加剧，痴呆症的患病率和负担正在迅速上升。这项研究旨在探讨心血管代谢健康指标与痴呆症及脑萎缩风险之间的关系，为预防策略提供科学依据。研究团队由来自英国牛津大学、中国多个地区的科学家组成，共同推进这一重要课题。### 研究背景痴呆症是一种由多种神经退行性疾病引起的症状群，其发病机制复杂，涉及不同的病因和潜在的风险因素。全球范围内，痴呆症的发病率正在快速增长，这在很大程度上归因于人口寿命的延长。在中国，痴呆症的负担尤为突出，预计占全球病例的四分之一。然而，尽管这一疾病对社会构成重大挑战，中国人群中的痴呆症及其相关风险因素的研究仍相对有限。研究者指出，中国与西方国家在风险暴露（如

  来源：The Lancet Regional Health - Western Pacific

  时间：2025-11-20

• 乳房切除术后疼痛综合征与睡眠障碍：体育活动的影响

  本研究旨在探讨女性患者在乳腺癌手术后，日常体力活动对慢性术后疼痛感知、睡眠质量和相关生物标志物（如褪黑素、促肾上腺皮质激素ACTH和皮质醇）的影响。研究结果表明，体力活动水平较高者在疼痛强度、睡眠障碍以及相关激素水平上表现出更积极的变化，而体力活动较少的患者则面临更大的健康挑战。这一发现不仅加深了我们对术后康复过程中体力活动重要性的理解，也为临床干预提供了新的思路。乳腺癌手术后，慢性疼痛的发生率较高，且这种疼痛可能对患者的心理健康和生活质量产生深远影响。术后慢性疼痛（CPSP）通常定义为手术后持续至少2个月的疼痛，且排除了其他可能导致疼痛的疾病因素。近年来，术后慢性疼痛被重新命名为乳腺术后疼痛

  来源：Frontiers in Sports and Active Living

  时间：2025-11-20

• 基于图像修复的图学习：通过可解释神经网络实现

  摘要：针对时变图信号的部分测量数据，我们提出了一种算法，能够同时估计出图谱的拓扑结构以及缺失的测量值。该算法通过训练一个可解释的神经网络来实现，该网络是基于“展开框架”（unrolling framework）设计的。所提出的技术既可用于图谱学习，也可用于图信号重建。这项工作在图谱学习领域的基础上进行了改进，通过将学习到的图谱适配到信号重建任务中；同时，它还扩展了图信号重建的相关研究，允许图谱的底层结构是未知的。引言图谱是一种自然的方式来表示来自多种来源的不规则结构信号，例如健康监测设备[1]、经济网络[2]、气象站[3]、交通网络和生物网络[4]等。图谱的顶点代表信号组成部分，而边则编码了这

  来源：IEEE Signal Processing Letters

  时间：2025-11-20

• 面向基于换能器的流式语音识别的最大似然训练

  摘要：转换器神经网络已成为流式自动语音识别（ASR）的主流方法，在平衡准确性和延迟方面表现出卓越的性能。在传统框架中，流式转换器模型是根据非流式递归规则进行训练的，以最大化似然函数。然而，这种方法导致训练和推理之间的不匹配，从而产生似然值失真的问题，进而导致ASR准确率不佳。我们提出了一种数学量化方法来衡量实际似然值与失真似然值之间的差异，即前向变量因果补偿（FoCC）。我们还介绍了其估计器FoCCE，用于估计准确的似然值。通过对LibriSpeech数据集的实验，我们证明了FoCCE训练可以提高流式转换器的准确率。引言现代自动语音识别（ASR）的准确性取得了显著提升，这主要归功于深度学习的进

  来源：IEEE Signal Processing Letters

  时间：2025-11-20

• 一种基于时域反射（TDR）和卷积神经网络（CNN）技术的高效固定装置拆除嵌入式建模方法

  摘要：S参数通常用于电子设备的等效电路（EC）建模。然而，在现有的建模方法中，固定装置对S参数测量的影响不可忽视，需要在建模前通过去嵌入处理来消除这一影响。本文提出了一种新的方法，该方法将固定装置的去除过程集成到建模过程中，结合了时域反射技术和卷积神经网络技术。这种新方法无需单独进行去嵌入处理，可以直接推导出等效电路模型。与传统建模方法相比，该方法在简化建模过程和避免去嵌入引入的误差方面具有优势，这一点已经通过物理测量得到了验证。

  来源：IEEE Transactions on Signal and Power Integrity

  时间：2025-11-20

• 基于归一化流的变分图神经网络

  摘要：图神经网络（GNNs）在处理非欧几里得数据集（如社交网络和蛋白质-蛋白质相互作用网络）方面取得了显著的成功。然而，这些数据集通常包含固有的不确定性，例如节点之间缺失的紧密相关边。为了应对这一问题，提出了变分图自编码器（VGAE）和其他贝叶斯方法。不幸的是，它们无法有效处理图数据。例如，VGAE假设后验分布是高斯分布，但这无法很好地匹配真实后验分布。为了解决这些限制，本文提出了一种基于变分GNN的归一化流（NFs）方法。与VGAE不同，我们的方法不再假设后验分布是标准的高斯分布，而是利用NFs来学习更复杂和灵活的分布。NFs通过一系列可逆变换将简单分布转换为复杂分布。转换后的分布更加灵活，

  来源：IEEE Transactions on Signal and Information Processing over Networks

  时间：2025-11-20

• DeepTrace：利用图神经网络学习优化流行病网络中的接触者追踪策略

  摘要：数字接触者追踪旨在通过技术手段识别和缓解公共卫生紧急情况，从而控制疫情的传播。逆向接触者追踪（即追踪感染源）在诸如日本等地对于识别由超级传播事件引发的COVID-19感染起到了关键作用。本文从新的视角探讨了数字接触者追踪，将其建模为一个在线图探索问题，并将正向和逆向追踪策略视为最大似然估计任务，这些任务利用对疫情网络数据的迭代采样来进行分析。面临的挑战在于组合复杂性和感染的快速传播。我们提出了DeepTrace算法，该算法基于图神经网络（Graph Neural Network），随着新的接触者追踪数据的收集，算法会不断更新其估计结果，通过利用拓扑特征来加速学习过程并提高收敛速度。接触者

  来源：IEEE Transactions on Signal and Information Processing over Networks

  时间：2025-11-20

• 基于事件触发的数据驱动分布式线性控制（LFC），采用控制器动态线性化方法

  摘要：本文研究了一种用于多区域互联电力系统的事件触发式分布式负荷频率控制方法。首先，由于电力系统具有高维度、非线性和不确定性，无法完全获取相关模型信息。为在模型信息未知的情况下设计负荷频率控制（LFC）算法，本文采用动态线性化技术建立了控制信号与区域控制误差信号之间的等效功能关系。其次，基于控制器动态线性化方法提出了一种新的分布式负荷频率控制算法，并通过构建径向基函数神经网络在线调整控制器参数。此外，为了减轻系统的计算和通信负担，本文还设计了一种事件触发机制，该机制根据触发条件决定是否在当前时刻传输数据。严格分析表明，所提出的方法能够使电力系统的频率偏差收敛到有界范围内。最后，四区域电力系统的

  来源：IEEE Transactions on Signal and Information Processing over Networks

  时间：2025-11-20

• 高阶图神经网络（Higher-Order GNNs）与效率的结合：稀疏Sobolev图神经网络（Sparse Sobolev Graph Neural Networks）

  摘要：图神经网络（GNNs）在模拟图中节点之间的关系方面展现出了巨大潜力，但对于大规模网络来说，捕捉更高阶的关系仍然是一个挑战。以往的研究主要尝试利用图中更高阶邻居的信息，这涉及到引入位移算子的幂次，如图拉普拉斯矩阵或邻接矩阵。这种方法在计算和内存需求方面存在权衡。基于图谱理论，我们发现了一个基本事实：拉普拉斯矩阵的正规化和哈达玛幂次在谱域中的表现相似。这一发现对于在GNNs中捕捉更高阶信息具有重要的意义，适用于节点分类和半监督学习等多种任务。因此，我们提出了一种基于图信号稀疏Sobolev范数的新型图卷积算子。我们的方法称为稀疏Sobolev GNN（S2-GNN），它通过使用矩阵之间的哈达

  来源：IEEE Transactions on Signal and Information Processing over Networks

  时间：2025-11-20

• DiffMSR：一种用于服务推荐的多语义图扩散模型

  摘要：随着云计算和服务计算的快速发展，服务推荐系统在帮助用户高效筛选合适的服务方面发挥着至关重要的作用。然而，服务数据的稀疏性以及交互过程中存在的噪声使得准确捕捉用户偏好变得极其困难。现有的基于图神经网络（GNN）的服务推荐方法主要依赖于ID聚合，常常忽视了文本语义的丰富性，并且容易受到交互噪声的影响，从而导致用户与服务关系建模效果不佳。尽管大型语言模型（LLM）在捕捉文本语义方面表现出显著优势，但目前的方法在将结构化表示与文本表示对齐方面存在困难，这限制了推荐性能的提升。为了解决这些问题，我们提出了一种创新的多语义图扩散模型DiffMSR，该模型旨在在对齐文本和结构化表示的同时，以去噪的方式

  来源：IEEE Transactions on Services Computing

  时间：2025-11-20

• 利用机器学习辅助的步态识别实现GNSS拒止环境下的行人导航：改进与二维扩展

  摘要：本文介绍了一种名为“机器学习辅助步态识别用于惯性导航与定位”（Mario）的行人导航系统，该系统能够在全球导航卫星系统（GNSS）不可用的情况下进行导航。Mario系统采用卷积神经网络，从用户佩戴的惯性测量单元（IMU）中估计用户的正向和侧向运动速度数据。扩展卡尔曼滤波器结合这些速度数据以及背部安装的IMU的数据来计算位置。实验表明，Mario系统的导航精度在行驶距离上的误差小于0.6%。引言在许多环境中，尤其是那些需要精确知道行人位置的关键场景中，全球导航卫星系统（GNSS）信号不稳定是普遍存在的现象。例如，在多层建筑、洞穴或野外进行搜救时。对于GNSS不可用的情况，通常使用惯性测量单

  来源：IEEE Sensors Letters

  时间：2025-11-20

• 通过扩展卡尔曼滤波器在毫米波雷达中优化人体运动估计

  摘要：本文提出了一种利用毫米波（mmWave）雷达进行人体运动估计的新方法，该方法结合了扩展卡尔曼滤波器（EKF）、卷积神经网络（CNN）和双向长短期记忆网络（BiLSTM）。通过运用EKF提高跟踪的鲁棒性并抑制噪声，该方法解决了毫米波雷达系统中的关键问题，如帧丢失和背景噪声。CNN-BiLSTM分类器能够捕捉空间和时间特征，从而准确识别四种人体运动。实验结果表明，该系统的性能优于现有文献中的方法，具有较高的准确率。通过引入一种新的三维状态空间模型和混合EKF-CNN-BiLSTM框架，这项工作显著提升了基于毫米波雷达的运动检测技术，相比传统的信号处理和深度学习方法具有更优的性能。引言近年来，

  来源：IEEE Sensors Letters

  时间：2025-11-20

• 多特征对齐与匹配网络：突破SAR与光学影像配准的模态差异瓶颈

  在遥感技术飞速发展的今天，合成孔径雷达(SAR)与光学影像的协同解译已成为地球观测领域的重要研究方向。SAR具备全天时、全天候成像能力，但受斑点噪声干扰严重；光学影像则纹理清晰、色彩丰富，却易受天气条件制约。二者优势互补，在军事侦察、地质监测、精准农业等领域展现出巨大应用潜力。然而，由于SAR与光学影像之间存在显著的非线性辐射差异，加之SAR图像固有的斑点噪声干扰，导致传统配准方法面临关键点重复率低、特征相似性弱、匹配成功率不高等三大挑战，严重制约了多模态遥感影像的深度融合与应用。为解决这一难题，西安电子科技大学电子工程学院遥感图像处理与融合团队在《IEEE Journal of Select

  来源：IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing

  时间：2025-11-20

• 基于超分辨率与模糊深度学习的航空遥感数据土地覆盖与滑坡分类架构设计

  当我们仰望星空时，或许不会想到，从太空俯瞰地球的"天眼"正面临着独特的视觉挑战。航空遥感技术就像给地球做CT扫描，能够捕捉地表的高清图像，但在实际应用中，这些图像往往受到噪声污染、类间干扰和图像失真的困扰。特别是在土地覆盖分类和地质灾害监测领域，相似的场景特征（如农场与森林、河流与海滨）常常让传统算法"眼花缭乱"，而滑坡等地质灾害的及时识别更关系到人民生命财产安全。传统的机器学习方法如支持向量机(SVM)、随机森林等虽然取得了一定成效，但在处理高维度、非线性特征的遥感数据时往往力不从心。随着深度学习技术的兴起，卷积神经网络(CNN)展现出强大的特征提取能力，但标准的VGG、ResNet等预训练

  来源：IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing

  时间：2025-11-20

• SAR图像量化方法对神经网络目标识别的影响及泛化能力提升研究

  在合成孔径雷达(SAR)目标识别领域，深度学习技术虽在标准测试条件下取得了超过99%的识别率，但其实际应用仍面临严峻挑战。SAR独特的成像机制、背景相关性、成像参数变化以及预处理方法的多样性，导致图像统计特征极易发生改变。其中，数据集偏差——特别是由不同SAR图像量化方法引起的偏差，成为影响模型泛化能力的重要因素。量化作为SAR图像处理的关键步骤，直接影响着图像的固有特征分布。固定量化级别与自适应量化等不同策略，可能导致模型对特定强度范围内的特征过度敏感，而忽略其他范围内的有效信息。当处理采用新量化方法的样本时，模型的识别性能就会显著下降。这种因量化方法差异导致的模型泛化能力不足问题，严重制约

  来源：IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing

  时间：2025-11-20

• 基于深度学习的星载高光谱图像语义分割：1D-Justo-LiuNet模型在轨部署优势分析

  随着卫星技术的飞速发展，地球观测领域正迎来一场革命性的变革。特别是搭载高光谱成像仪的小型卫星，如挪威科技大学主导的HYPSO-1任务，能够以前所未有的细节捕捉地球表面的光谱特征。然而，这些先进传感器产生的海量数据给卫星下行链路带来了巨大挑战——有限的带宽如何优先传输最有价值的科学数据？这就迫切需要智能化的在轨数据处理技术。传统上，卫星将全部数据下行传输，由地面站进行处理分析。但这种模式存在明显缺陷：当卫星经过感兴趣区域时，可能因云层遮挡而采集到大量无效数据；在监测有害藻华等时效性强的海洋现象时，数据传输的延迟可能导致错失最佳应对时机。为解决这些问题，卫星开始搭载人工智能模型，实现在轨数据筛选和

  来源：IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing

  时间：2025-11-20

• 融合局部与全局特征的光学遥感图像目标检测：CNN-Transformer混合网络新方法

  在自然灾害管理、城市规划和资源勘探等领域，高分辨率光学遥感图像（RSIs）的目标检测技术发挥着至关重要的作用。然而，与自然图像（NIs）相比，遥感图像存在显著差异：目标仅从俯视角度采集，同一类目标在不同样本中的尺度变化极大，不同目标间的标注框差异显著，且类别空间分布不均可能导致目标嵌套。这些挑战使得通用目标检测器难以直接应用于遥感图像，亟需设计专用于RSIs的检测方法。传统基于卷积神经网络（CNN）的方法虽擅长提取局部特征，但缺乏对全局位置信息和上下文关联的建模能力，往往需额外设计注意力模块来增强感知。而基于Transformer的模型虽能捕捉长程依赖，却容易在自注意力机制中覆盖局部细节，导致

  来源：IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing

  时间：2025-11-20

知名企业招聘：