• 离策略强化学习中基于可约策略熵的经验回放

  **摘要** 在离策略强化学习中，经验回放在训练过程中起着至关重要的作用。传统的优先经验回放（PER）利用时间差（TD）误差作为优先级概率，对经验进行非均匀采样。然而，该方法可能会错误评估经验并选择噪声数据点。这是因为高TD误差可能意味着智能体存在高不确定性。在本文中，我们

  来源：Neurocomputing

  时间：2026-10-18

• 重建以记忆：聚类图池化中保持信息保持的重建驱动正则化

  • 我们提出了 REGPool，一种具有重构引导正则化的聚类图池化框架。 • 具有双重熵约束的 Gumbel-Softmax 采样机制增强了分配。 • 多尺度重构损失保持了特征保真度和一致性。 • 我们的方法在多个基准测试中取得了具有竞争力或更优的性能。 引言 近年来，图数

  来源：Pattern Recognition

  时间：2026-10-18

• SpecPV：通过部分验证改进长上下文生成的自推测解码

  验证开销限制了长上下文下的推测解码。 部分验证结合选择性KV状态，可实现高效解码。 周期性全量验证可防止误差累积并保持生成质量。 引言 大语言模型（LLMs）正被越来越广泛地应用于文档分析、代码生成和科学发现（例如基于结构的药物设计）[1]、[2]等。随着其应用场景的

  来源：Neurocomputing

  时间：2026-10-18

• 面向智能体视觉 - 语言分割与推理可解释性的形式化框架

  •正式的智能体框架将视觉语言模型（VLM）分割建模为目标条件的状态转移。•命题确立了一致性、收敛性和输出有效性的保证。•可解释性商（IQ）从架构上量化推理透明度。•在 1000 种随机权重配置中，IQ 排名 100% 层级稳定。引言图像分割一直被形式化为基于视觉特征从像素到语

  来源：Neurocomputing

  时间：2026-10-18

• 分批次的多智能体策略优化，以实现性能与效率之间的平衡

  • 提出了一种新颖的批量多智能体策略优化方案B2MAPO，该方案具有理论上的单调改进保证。 • 设计了一个符合CTDE范式的B2MAPO层次框架，能够与现有的MARL模型实现即插即用集成，充分利用并结合它们的优势。 • 引入了基于随机、启发式和DAG的批量序列生成方法，其

  来源：Neurocomputing

  时间：2026-10-18

• HIP-BO：用于高效混合变量超参数调优的分层先验贝叶斯优化

  摘要超参数优化（HPO）和神经架构搜索（NAS）通常涉及包含连续变量和分类变量的混合变量搜索空间。近期基于多保真度高斯过程的贝叶斯优化方法通过引入分类变量的自适应嵌入以及利用学习曲线外推来提高效率，已取得进展。然而，在低预算设置下，当仅有少量目标任务观测时，任务特定的分类表示

  来源：Neurocomputing

  时间：2026-10-18

• 超图信任博弈中 Q 学习的诱惑感知声誉自适应探索

  摘要 探索在超图信任博弈的Q学习中发挥着关键作用，因为智能体必须在不破坏已学到的可信行为的前提下修正不可靠的策略。现有的基于声誉的Q学习模型通常用声誉来定义学习状态或奖励，但ε-贪心探索概率在各智能体之间保持固定。固定的探索规则无法区分不同行为可靠性的智能体，而当不可信托管人

  来源：Neurocomputing

  时间：2026-10-18

• 面向高效自适应控制的固定储层动力学强化驱动调制

  •将基于上下文的回声状态网络扩展为动态调制的储层网络。•强化学习通过低维信号调制固定的储层动力学。•实现无需重新训练LfD权重的适应。•在新目标和约束下提升泛化能力。•适应成本与任务复杂度解耦。•在保留已展示技能的同时降低计算开销。引言从示教中学习（LfD）提供了一种通过模仿

  来源：Neurocomputing

  时间：2026-10-18

• 基于“最近邻”准则的混合数据聚类

  • 提出了一种新的TNC框架，用于高效地进行混合数据聚类。 • 建立了MTNCIS理论，以实现精确的自然簇划分。 • 该方法避免了预先定义簇数和严格的分布假设。 • 该方法考虑了实例之间的双向相似性，从而提高了聚类的准确性。 ### 引言 数据聚类是一种将对

  来源：Neurocomputing

  时间：2026-10-18

• 基于门控-概率-注意力融合模糊辨识网络与软演员-评论家方法的伺服进给系统在线联合参数辨识

  # 论文分析报告 这是一篇关于**伺服送料系统在线参数联合辨识**的研究论文，提出了一种结合模糊神经网络与强化学习的创新方法。以下是详细分析： --- ## 一、研究背景与问题 ### 核心问题 当温度、湿度、负载、内外扰动和工况发生变化时，伺服系统的**转动惯量**

  来源：Neurocomputing

  时间：2026-10-18

知名企业招聘：