• 对oMST的替代刺激集、语言以及污染物检测方法进行了系统的评估

  摘要背景优化后的助记相似性任务（oMST）是一项简短的自我管理认知筛查评估工具，它源自研究级别的MST。本研究考察了其心理测量属性，包括不同刺激集合之间的难度可比性、跨语言有效性以及识别干扰反应行为的方法。方法使用Prolific全球在线测试平台进行了两项实验。实验1评估了练习效

  来源：Neuropsychologia

  时间：2026-08-22

• 面向异构数据下可靠本地决策的分层桶树三支决策框架

  摘要 三支决策（TWD）提供了一个处理不确定性的原则性框架，通过将实例划分为接受、拒绝和延迟区域来实现。然而，现有的基于 TWD 的方法通常假设局部决策在统计上是可靠的，这在异质性和数据稀疏场景中可能并不成立。为了解决这一局限性，我们提出了一种分层且可靠性感知的桶树三支决策（

  来源：Neurocomputing

  时间：2026-08-22

• 面向增量隐式精炼分类的具有动态双曲层次的互惠传输

  摘要 增量隐式细化分类 (IIRC) 是一种扩展的类增量学习 (CIL) 范式，要求从流数据中学习粗粒度和细粒度知识，并在增量会话期间进行认知细化。主要挑战在于：(a) 增量地发现超类和子类的层次关系，以及 (b) 抵抗层次关系的灾难性遗忘。现有方法利用静态层次关系或 CIL

  来源：Neurocomputing

  时间：2026-08-22

• DKENet：一种在动态空战中利用领域知识增强战斗机机动识别能力的网络

  摘要 在动态的空战场景中，传统的机动识别方法面临数据稀缺、领域知识利用不足和特征冗余等挑战。为了解决这些问题，本文提出了一种基于领域知识的战斗机机动识别网络（DKENet），该网络有效地解决了复杂机动模式的特征表示和分类问题。首先，采用多阶段坐标系统重建（MCSR）方法将地理坐标

  来源：Neurocomputing

  时间：2026-08-22

• C-P&M：针对多模态大语言模型的统一跨提示与跨模型对抗攻击

  摘要 多模态大语言模型（MLLMs）已在各种任务中展现出卓越的通用性，但它们仍然极易受到对抗攻击的影响。现有方法无法同时在模型和提示之间实现有效的迁移性，特别是在具有挑战性的定向攻击设置下。在本文中，我们提出了一种统一的对抗攻击框架 C-P&M（跨提示与跨模型），这是首次在与

  来源：Neurocomputing

  时间：2026-08-22

• CROWNFuse：利用边缘频率重新校准实现红外图像与可见光图像的跨模态记忆交互与融合

  摘要红外与可见光图像融合旨在将热显著性信息与可见纹理结合，以实现更强的视觉感知能力。现有方法通常分别对空间交互、语义引导和频率增强进行建模，导致长距离跨模态交流与细节重新校准之间的耦合较弱。我们提出了CROWNFuse，这是一种具有边缘频率重新校准功能的循环跨模态记忆交互框架。基

  来源：Neurocomputing

  时间：2026-08-22

• ANCHOR：通过元认知任务锚定增强大语言模型的复杂推理

  摘要大型语言模型（LLMs）展现出了卓越的生成能力，但在复杂的多步推理方面仍面临严峻挑战，包括逻辑一致性不足、任务漂移和评估干扰。现有的推理增强方法通常依赖于固定流程或隐性约束，限制了其适应性。为了解决这些挑战，我们提出了用于协作整体优化推理的锚定导航（ANCHOR），这是一

  来源：Neurocomputing

  时间：2026-08-22

• 不要对边界进行过采样：不平衡学习中少数类缺陷的一种补救分解

  摘要类别不平衡主要通过过采样处理，然而 SMOTE 类方法通常以牺牲多数类准确率为代价来提高少数类召回率，且过采样为何有效往往并不清楚。我们引入了一种对误分类少数类的补救分解：袋外误差分诊（集成置信度和局部类别表示，经过偶然不确定性 - 认知不确定性分解验证）与阈值可恢复性测

  来源：Neurocomputing

  时间：2026-08-22

• 分叉编码存储器：一种用于神经信息存储的新型参数空间框架

  摘要 我们介绍了分叉编码记忆（BCM）这一全新的关联记忆范式，它将记忆存储在低维动态系统的分叉参数空间中，作为质量上不同的区域，而不是作为神经活动空间中的固定点吸引子。这种从系统稳定状态到系统行为方式的转变实现了指数级的容量扩展：与经典和现代Hopfield网络的线性（）和多项式

  来源：Neurocomputing

  时间：2026-08-22

• 基于可解释深度学习算法的质谱成像自动化组织分类与候选生物标志物特征提取

  摘要 原理 质谱成像 (MSI) 生成高维空间光谱数据，需要高效的计算方法进行

  来源：RAPID COMMUNICATIONS IN MASS SPECTROMETRY

  时间：2026-08-22

知名企业招聘：