• 一种跨游戏均衡框架：通过消费者偏好学习新产品创意

  夏美美|冯雨瑞|徐泽水|朱斌 北京交通大学经济与管理学院，北京，100044，中国 摘要 从消费者偏好中学习新产品创意（NPIs）是市场驱动的新产品开发（NPD）中一个基本而具有挑战性的任务。现有研究通常将NPIs的生成视为一个静态的数学聚合问题，忽略了消费者在有限

  来源：Expert Systems with Applications

  时间：2026-04-30

• CATS：一种基于LLM的表格数据合成增强框架，通过相关性增强实现改进

  陈璐宇|姜明轩|戴子月|刘森|柴洪峰复旦大学计算机科学与人工智能学院，上海，200438，中国摘要随着人工智能（AI）技术的进步，金融和医疗保健等行业越来越多地采用AI工具。然而，由于使用AI所带来的隐私问题以及真实数据收集的高成本，生成逼真的表格数据以替代原始数据已成为解决这些

  来源：Expert Systems with Applications

  时间：2026-04-30

• 通过CLIP空间引导和LoRA微调实现领域自适应对象检测

  恩泽·齐（Enze Qi）| 坎·张（Kan Chang）| 明阳·凌（Mingyang Ling）| 清志·张（Qingzhi Zhang）| 学宇·张（Xueyu Zhang）| 叶华·凌（Yehua Ling）| 余健·袁（Yujian Yuan）| 扎恩·高（Zan Ga

  来源：Expert Systems with Applications

  时间：2026-04-30

• PISA-Net：一种基于物理先验的渐进式集成时空谱注意力网络，用于水下声学目标识别

  赵荣尧|徐静|赵柳芳|于坤|胡健|陈佳如|刘峰|沈同生浙江大学海洋学院，舟山，316021，中国摘要水下声学目标识别（UATR）是各种海洋应用中的关键技术。这项任务面临着复杂且非静态的海洋声学环境的挑战，这通常会由于缺乏对特征表示的明确约束而限制深度学习模型的泛化能力。为了解决这

  来源：Expert Systems with Applications

  时间：2026-04-30

• DMoE-LLM：一种结合大型语言模型的双分支专家混合框架，用于风力发电预测

  冯星宇|郭德康|叶明顺 海南大学计算机科学与技术学院，海口市，570228，海南，中国 **摘要** 准确的风力发电预测对电网稳定性至关重要。然而，现有的基于大型语言模型（LLM）的方法主要采用单分支架构，缺乏专门的时间编码器，而传统的深度学习方法也没有利用预训练的

  来源：Expert Systems with Applications

  时间：2026-04-30

• ST3-KAN2.0：一种用于综合能源系统中多能源负荷预测的全面神经网络框架

  刘向飞|王春|郭元军|徐松|万涛|杨志乐|李康澳门城市大学数据科学研究所，中国澳门，999078摘要在综合能源系统（IES）中，多能源负荷预测是确保能源供应稳定和经济活动可靠运行的关键组成部分。IES的能源负荷与气象变量之间存在时空耦合、随机波动和不规则的周期性趋势，这对开发准确

  来源：Expert Systems with Applications

  时间：2026-04-30

• 测试时思维：强化学习在多模态大型语言模型推理中的应用与适应

  陈浩天|徐彦宇|徐永辉|王博彦|王芳|崔丽珍山东大学软件学院，中国济南摘要尽管多模态大型语言模型（MLLMs）在推理能力方面表现出色，但它们在泛化到特定领域和处理分布变化下的多样化多模态输入时仍存在困难。在本文中，我们提出了一种新颖的测试时思考范式（TTRA），这是一种基于强化学

  来源：Expert Systems with Applications

  时间：2026-04-30

• EAI-DMCU：一种受进化算法启发的扩散模型，用于概念的遗忘（即从模型中移除不再相关的概念）

  龙雪|尹欣瑶|宋斌 中国陕西省西安市西安电子科技大学综合服务网络国家重点实验室，710071 摘要 文本到图像（T2I）模型是指根据文本提示生成图像的模型。目前，扩散模型是预训练T2I模型中最突出的类别。然而，预训练的T2I扩散模型中不需要的概念“知识”在文本提示的

  来源：Expert Systems with Applications

  时间：2026-04-30

• “总结”：利用Multi-BERT分类从在线美容攻击中获取关键洞察

  杰克·斯特里特（Jake Street）| 伊西博尔·肯尼迪·伊希安莱（Isibor Kennedy Ihianle）| 艾哈迈德·洛特菲（Ahmad Lotfi） 诺丁汉特伦特大学（Nottingham Trent University），莎士比亚街50号（50 Shake

  来源：Expert Systems with Applications

  时间：2026-04-30

• 通过广义的边到顶点变换和补充的图信息瓶颈来增强图表示

  王瑞婷|赵玉香|甘婷 武汉大学计算机科学学院，武汉，430072，中国 摘要 无监督图表示学习因其在建模复杂结构和高维特征方面的显著性能而受到了广泛关注。然而，当前的图表示学习方法仍面临一些实际限制，原因如下：单一判别表示的表达能力不足以及信息传输过程中的冗余，导致

  来源：Expert Systems with Applications

  时间：2026-04-30

知名企业招聘：