• 一种基于学习的视觉定位高效算法

  摘要：本文研究了在GPS信号受阻环境中的视觉定位问题。为实现高精度且稳健的定位性能，我们提出了一种基于最优控制原理（OCP）的新型优化算法，并融入了对角Hessian信息估计。通过利用这种曲率信息，该算法提升了深度神经网络的训练效率，加速了优化收敛过程。从理论上讲，该算法的收敛速

  来源：Neural Networks

  时间：2026-08-07

• 格点表示为气味空间和神经空间提供了新的组织原则

  要点：•通过K-FCA方法，我们展示了如何从神经活动数据中提取可解释的格子结构化表示，用于描述气味特征及神经活动，这一结果表明秀丽隐杆线虫的感官系统使用格子结构化空间来编码感官信息。•引入了一种基于形式概念分析的可解释神经符号框架，用于研究分级的神经反应。与二元方法相比，格子结构

  来源：Neural Networks

  时间：2026-08-07

• 无需微调即可提升视觉Transformer的尺度泛化能力

  •指出光谱漂移和有效感受野收缩是视觉Transformer在跨尺度泛化能力不佳的原因。•提出了一种基于光谱约束的卷积方法，用于在尺度变化时实现频率敏感的块嵌入。•引入了水平垂直可分离注意力机制，以确保在任何分辨率下都能保持全跨度交叉形感受野。•设计了参数可重调的卷积位置嵌入方式，

  来源：Neural Networks

  时间：2026-08-07

• 联合优化转置投影包络线性判别分析模式

  摘要线性判别分析是一种广泛应用的特征提取技术，它以费希尔判别准则为指导，将原始高维样本映射到具有更好可分性的低维子空间中。该方法的可解释性和易用性是其优势所在。然而，传统LDA是基于原始样本的粒度构建的，未能利用相似样本之间的相关性信息，从而限制了其性能。为解决这一局限，本文提出

  来源：Neural Networks

  时间：2026-08-07

• MoFedAGR：在联邦学习中利用自适应梯度正则化与全局动量来缓解客户端漂移问题

  摘要：联邦学习是一种具有隐私保护功能的新型分布式机器学习框架，但它容易受到异构数据的影响。异构数据会导致客户端模型在本地训练时过度拟合本地数据集，从而偏离全局最优解，这种现象被称为客户端漂移。为了解决客户端漂移的问题，我们从优化和泛化角度出发进行研究。我们全面考虑了训练过程中客户

  来源：Neural Networks

  时间：2026-08-07

• F2Mamba：用于图像操作定位的细粒度伪造检测Mamba模型

  摘要图像操纵定位技术旨在在像素层面精确识别图像中的伪造区域，这对于防止可能威胁公共安全的错误信息传播至关重要。现有的基于Transformer的方法能够通过建模长距离依赖关系来捕捉整体伪造特征，但这类方法通常需要大量计算资源，且难以关注对法医分析至关重要的局部细节。为解决这些问题

  来源：Neural Networks

  时间：2026-08-07

• DAQSyn：一种用于异构终端侧人工智能网络的分散式自适应量化感知同步框架

  •提出了DAQSyn，一种去中心化的自适应量化感知同步框架。•设计了一种自适应量化机制，用于生成轻量级、高资源效率的模型。•开发了一种基于BSP的同步策略，以减少空闲等待时间和协调延迟。•引入了一种性能加权聚合方法，以提高全局模型的稳定性和准确性。与固定精度基准相比，该方法可将空

  来源：Neural Networks

  时间：2026-08-07

• 针对异构图上稳健学习的主动结构稳定化方法

  摘要：异构图神经网络通过元路径建模来捕捉丰富的异构语义，但这种语义传播在结构扰动下也可能加剧预测的不稳定性。现有的鲁棒性方法通常基于对扰动模式的特定假设，比如识别并移除不可靠的边，这限制了它们在结构扰动偏离这些假设时的泛化能力。为了解决这一限制，我们提出了一种用于异构图上鲁棒学习

  来源：Neural Networks

  时间：2026-08-07

• APO：利用连续空间中的未采样动作进行基于锚点的策略优化

  摘要：策略梯度方法，如近端策略优化（PPO），仅对采样过的动作进行策略更新，而未采样的动作空间则完全不受约束——我们将这一问题称为“锚定盲区”。这一限制会导致策略分布在未采样区域出现不可控的偏移，从而影响训练稳定性，尤其在连续动作空间中往往会导致性能不佳。为解决这一问题，我们提出

  来源：Neural Networks

  时间：2026-08-07

• 高性价比且可扩展的交通流量预测：一种无图多视图MLP架构

  摘要 实现准确且可扩展的交通流量预测是现代智能交通系统的核心需求。尽管大型语言模型为城市计算带来了出色的零样本能力，但其庞大的参数规模和极高的部署成本，使得其在实时、大规模交通运营中的应用受到极大限制。与此同时，主流的时空预测方法仍严重依赖显式的拓扑图结构或计算成本高昂的注意

  来源：Neural Networks

  时间：2026-08-07

知名企业招聘：