• 服务计算新视野：人工智能时代下的领域重构与可复现性挑战

  作为新任主编，我推荐关注服务计算领域在AI变革中的重新定位。研究聚焦生成式工具与机器学习如何重塑传统服务架构，通过设立可复现性编辑岗和明确期刊范围，推动实证科学转型，这对维持TSC领先地位具有关键意义。

  来源：IEEE Transactions on Services Computing

  时间：2026-02-10

• 深度神经网络不确定性量化方法综述：从贝叶斯到证据推理

  本文系统梳理了深度神经网络（DNN）不确定性量化（UQ）的前沿进展，重点对比了贝叶斯神经网络（BNN）、深度集成（DE）、证据深度学习（EDL）及基于置信函数和信度集的方法。研究为解决DNN在安全关键应用中过度自信、无法区分认知不确定性（EU）和偶然不确定性（AU）等核心挑战提供了理论框架与实践指南。文章指出，融合概率与集合思想的混合方法（如Credal DEs）展现出更优的UQ性能，为构建可靠、可解释的AI系统奠定了重要基础。

  来源：IEEE Transactions on Pattern Analysis and Machine Intelligence

  时间：2026-02-10

• 神经特征函数是一种结构化表示学习器

  该研究提出一种基于神经网络的参数化方法（神经特征映射）来学习无监督的积分算子主特征函数，通过数据增强的正相似性构建目标函数，实现可扩展的结构化表示学习。在图像检索中，其表示长度比主流自监督方法短16倍且性能相当，并成功应用于百万级节点的图数据表示任务。

  来源：IEEE Transactions on Pattern Analysis and Machine Intelligence

  时间：2026-02-10

• 具有不确定性感知能力的解耦动态图注意力网络，用于实现分布外数据的泛化

  动态图神经网络在处理时空分布偏移时面临模式不确定性挑战。本文提出IB-D²GAT模型，通过信息瓶颈原理发现稳定不变与可变时空模式，结合分离注意力机制实现偏移补偿与不确定性抑制，并给出理论保证。

  来源：IEEE Transactions on Pattern Analysis and Machine Intelligence

  时间：2026-02-10

• 通过训练时神经元对齐以及固定的神经元锚点来提升模型融合效果

  模型融合通过整合多个深度神经网络的参数提升模型性能，但不同训练设置导致神经元排列差异大，影响融合效果。本文提出训练时神经元对齐算法TNA-PFN，利用部分固定权重作为锚点减少排列变化，在联邦学习场景下验证其有效性，提出FedPFN和FedPNU方法，显著提升异构环境下的融合效果。

  来源：IEEE Transactions on Pattern Analysis and Machine Intelligence

  时间：2026-02-10

• 实时应急筛查在以转换器为主导的电力系统中：一种基于Graphical-DeepONet的方法

  针对传统时间域仿真方法在可再生能源渗透下计算效率低的问题，提出基于图神经网络与DeepONet的混合模型，实现同步发电机与变流器动态轨迹的高效预测与实时故障筛查，并通过IEEE系统验证有效性。

  来源：IEEE Transactions on Industrial Informatics

  时间：2026-02-10

• 基于图神经网络和预训练语言模型的电网安全警报因果推理系统

  电力网安全面临复杂攻击与数据多样性挑战，本研究创新融合图神经网络（GNNs）与预训练语言模型（PLMs），构建时空GNN结合多尺度注意力机制的多模态分析框架，并引入领域约束的因果推理模块，通过结构因果模型优化根因分析，实验验证在PowerGraph等数据集上显著提升安全预警效果。

  来源：Journal of Cyber Security and Mobility

  时间：2026-02-10

• 基于隐式表示与粒子滤波位姿优化的视觉定位方法：HAL-NeRF v2 中文标题

  为了在包含瞬时目标或地图不完整的复杂场景中实现更稳定、高效的视觉定位，研究人员开展了结合隐式神经表示与粒子滤波位姿优化的研究。他们提出了HAL-NeRF v2系统，该方法将直接位姿回归与基于NeRF/Gaussian Splatting的蒙特卡洛优化相结合。实验结果显示，在保持高定位精度（中值误差0.09 m/0.61°）的同时，运行时间显著缩短了25倍，推动了视觉定位技术向实用化迈进。

  来源：IEEE Access

  时间：2026-02-10

• 4-PSQ通过调控NFκB/Na+,K+-ATPase通路改善长春新碱诱导小鼠情绪认知共病的神经保护机制研究

  本综述系统揭示了化疗药物长春新碱（VCR）通过激活核因子κB（NFκB）信号通路和抑制Na+,K+-ATPase活性诱发情绪认知共病的分子机制，并首次报道硒化合物4-PSQ通过多靶点调控（包括抗氧化、抗炎及调节神经可塑性）有效逆转VCR诱导的神经毒性。研究创新性发现p21基因在雌性小鼠大脑皮层特异性高表达，为性别差异性神经损伤提供了新证据，为化疗相关性认知功能障碍（chemo-brain）的临床干预提供了潜在治疗策略。

  来源：ACS Omega

  时间：2026-02-10

• 人工预知自适应认知控制（APACC）的量化验证：面向汽车与铁路安全关键系统的实景性能评估

  本文针对自动驾驶系统在突发场景下响应滞后、控制不平稳等安全问题，提出基于双层级神经符号架构的APACC系统。研究通过2.5 s预知时域内的Diophantine频率同步技术，融合Type-2模糊推理与线性化预测优化，在实车试验中使紧急制动峰值减速度降低51%（0.45 g→0.22 g），铁路部署实现96%基站切换预测准确率。该系统为ISO 26262认证的可解释AI控制提供了新范式。

  来源：IEEE Access

  时间：2026-02-10

• 基于仿真的U型集装箱码头堆场位分配优化

  港口U型布局下集装箱堆位分配优化研究，提出动态权重演化的神经网络决策模型与改进遗传算法，通过仿真验证有效降低内外部卡车总延迟时间。

  来源：TRANSPORTATION RESEARCH PART E-LOGISTICS AND TRANSPORTATION REVIEW

  时间：2026-02-10

• 基于深度学习的非结构化三维网格液体复合成形填充模拟替代模型研究

  本研究针对液体复合成形（LCM）过程中传统数值模拟计算成本高、难以实时应用的问题，提出了一种基于深度学习的替代模型（SM）框架。该框架通过创新的网格映射技术（GMT）和针对三维复杂几何形状（如T型桁条）的多分支编码器-解码器架构，成功在非结构化网格上实现了对压力场和浸渍场的高精度、快速预测（MAE <1%，推理时间<0.2秒），为LCM过程的数字孪生和实时监控控制提供了关键技术支撑。

  来源：Composites Part A: Applied Science and Manufacturing

  时间：2026-02-10

• 一种基于物理约束的、用于局部化数字孪生建模的神经网络

  针对图神经网络在风电场集群预测中存在的固定损失函数和静态图结构问题，提出Loss-Construction Dual-layer Co-evolution Framework (LCDCE)，通过动态耦合损失函数进化与图结构优化实现自适应建模，结合全局最优模型选择和余弦退火调度器，显著提升预测精度（RMSE降低33.46%，MAE降低17.02%）并增强物理合理性。

  来源：Energy

  时间：2026-02-10

• 基于贝叶斯神经网络的一种用于路面管理工程的全方位性能预测模型

  路面性能预测模型研究：本文提出贝叶斯神经网络BNN4Pav模型，整合路面性能预测、异常检测和维护决策任务，减少模型开发重复，在安徽、浙江和江苏四百六十公里路网数据验证中，预测任务节省66.7%时间，异常检测减少70%-90%人工工作量，维护决策有效性提升6%-17%。

  来源：ADVANCED ENGINEERING INFORMATICS

  时间：2026-02-10

• 从神经认知的角度研究虚拟现实（VR）安全培训在建筑危险识别中的应用效果及其迁移能力

  有效施工安全培训需实现经验迁移，使工人能识别未训练过的隐患。当前VR安全培训多评估训练内场景，忽视迁移机制验证。本研究通过磁源脑成像（MEG）对比VR与PPT培训，发现VR在未训练场景 hazard识别中显著优于PPT（Δd’=0.481 vs. 0.051, p=0.035），其神经机制在248-336ms时段显示情绪-情境编码协同效应，提出S.A.F.E.神经认知框架。

  来源：ADVANCED ENGINEERING INFORMATICS

  时间：2026-02-10

• 基于面部表情的经济情境欺骗检测新数据集与多模态特征分析

  本研究针对视频和音频模态的自动欺骗检测难题，提出高质量低风险数据集Buyer-Seller-Deception-Game Dataset (GAME)，通过经济实验收集500个标注视频样本。研究评估了动作单元(AU)、凝视、头部姿态等多模态特征，发现OpenFace的AU特征在受控环境中表现最优，而CNN-based AU预测器在复杂场景更具优势。该数据集为在线交互场景的欺骗检测研究提供了重要基础。

  来源：Intelligent Systems with Applications

  时间：2026-02-10

• 基于表示学习与主动学习的超图关键节点识别：结构感知与动态传播优化

  本文提出AHGA框架，通过超图神经网络（HGNN）预训练与主动学习机制，解决了高阶交互系统中关键节点识别的两大挑战：传统方法对超图结构异构性的敏感性，以及现有HGNN在排序任务上的局限性。该框架在八个真实超图数据集上实现高达36.8%的排名准确性提升，所识别节点在破坏网络效率（达0.6628）方面显著优于基线方法，为信息管控和基础设施韧性提供了新思路。

  来源：Engineering Applications of Artificial Intelligence

  时间：2026-02-10

• 具有强制接口约束的离散物理信息神经网络，用于域分解

  提出一种结合强制界面约束（EIC）与领域分解方法（DDM）的离散物理信息神经网络（dPINN），通过元素级能量计算和接口位移连续性约束，解决传统方法依赖额外损失项导致的训练不稳定问题，同时支持非匹配网格划分和高效并行计算，适用于复杂几何场景。

  来源：Engineering Applications of Artificial Intelligence

  时间：2026-02-10

• 基于深度强化学习的自适应多智能体股票交易决策支持系统

  提出一种混合神经网络框架用于相干阵波束形成，结合MLP与物理信息网络实现非线性映射和优化，支持低旁瓣、零点偏转、多模式及共发散散能力，计算效率达1.7×10^7 FLOPs，适用于复杂阵列配置。

  来源：Engineering Applications of Artificial Intelligence

  时间：2026-02-10

• 利用多任务图神经网络进行多变量时间序列表示学习

  多变量时间序列（MTS）表示学习需兼顾各通道的时空依赖关系。现有方法多基于单任务框架，采用传统机器学习或深度学习模型（如CNN、RNN），但忽略空间关联性，且全局图学习难以捕捉局部时序差异。本文提出MTGL框架，通过三任务学习（数据重建、全局图学习、局部图学习）融合全局与局部时空特征，利用动态图机制自适应不同时间窗口的关系，支持多种下游任务。实验表明MTGL在基准数据集和隧道掘进机数据集上优于现有方法。

  来源：Engineering Applications of Artificial Intelligence

  时间：2026-02-10

知名企业招聘：