• Mask2Keep：一种基于掩码引导的信息传输方法，用于实现抗压缩导向剪枝的后门防御

  摘要：深度神经网络后门攻击会在模型训练过程中植入隐藏的恶意行为，使得包含触发条件的输入被错误分类为攻击者指定的目标类别。尽管已有研究探讨过通过剪枝作为防御手段，但传统以压缩为导向的剪枝方法——其主要目的是减小模型规模并提升效率——对现有通用后门攻击效果的影响尚未得到充分研究。我们

  来源：Neural Networks

  时间：2026-08-05

• 硬约束PINNs的谱分析：边界函数的空间调制机制

  抽象物理信息神经网络结合硬约束（HC-PINNs）通过试函数形式u˜=A+B·N来精确满足边界条件，但其训练动态背后的理论机制至今尚未被深入研究。本研究为HC-PINNs建立了神经切线核（NTK）分析框架，揭示出边界函数B实际上是一种乘性空间调制器，它能从根本上改变核的特征谱——

  来源：Neural Networks

  时间：2026-08-05

• 功能扰动下马尔可夫跳跃布尔网络的强有限时间稳定性与渐近稳定性

  摘要：本文研究了在具有状态独立扰动概率的模态依赖函数扰动作用下的马尔可夫跳变布尔网络的整体有限时间稳定性与渐近稳定性。通过半张量积表示法来构建扰动条件下的增强型马尔可夫动力学模型。对于那些能够保持目标态到瞬态态结构且瞬态态到瞬态态误差块为非负的结构性单调扰动类，本文建立了目标集可

  来源：Neural Networks

  时间：2026-08-05

• 基于费希尔-拉奥准则的渐进重估信道剪枝算法

  摘要结构化通道剪枝能够实现高效且易于部署的模型压缩，但其可靠性取决于通道重要性准则以及剪枝策略。我们提出了一种基于费希尔-拉奥原理的框架，该框架通过对角线经验费希尔估计来为通道门评分，并结合逐步重估与短期恢复训练。在CIFAR-10数据集上，该方法在ResNet-56架构上使参数

  来源：Neural Networks

  时间：2026-08-05

• ARF-GNN：用于蛋白质功能预测的自适应感受野图神经网络

  •ARF-GNN能够自适应选择蛋白质特定的感受野。•多跳图编码可捕捉局部及长距离的结构上下文。•元学习器为每种蛋白质的跳跃级感受野选择提供指导。•ESM-1b嵌入与对比学习可提升蛋白质表示的质量。•实验结果表明该方法具有出色的性能且预测结果具备可解释性。 引言 蛋白质功能预测是

  来源：Computational Biology and Chemistry

  时间：2026-08-05

• 情绪表达在不同收益与损失情境下对奖励预期的调节作用各异

  摘要：奖励与情绪紧密相连，但二者之间的相互作用仍需进一步研究。本研究采用改良的货币激励延迟范式，并结合电生理记录技术，以情绪面孔作为激励线索（分别代表收益、中性或损失预期），探究情绪效价与激励情境之间的匹配程度如何影响激励表征及后续任务动机。具体而言，在效价一致组中，快乐、中性及

  来源：Biological Psychology

  时间：2026-08-05

• 霍诺基醇可缓解由Na+/K+-ATP酶抑制剂哇巴因引起的兴奋性毒性所导致的氧化应激、神经炎症及细胞凋亡

  •洋地黄毒苷注射会破坏大脑中的氧化剂/抗氧化剂平衡。•通过组织病理学和免疫组织化学方法证实了洋地黄毒苷造成的损伤。•霍诺基醇治疗可改善受损的大脑氧化剂/抗氧化剂平衡。•霍诺基醇能改善异常的HSP-70及促凋亡蛋白Bax的表达水平。•霍诺基醇可减轻洋地黄毒苷引发的炎症反应。引言钠/

  来源：NeuroToxicology

  时间：2026-08-05

• LiteSwitchCodec：基于令牌空间量化与因果U-Net的神经语音编码技术，用于个性化实时通信

  摘要：随着在线会议和直播技术的快速发展，个性化实时通信已成为下一代通信系统的重要功能，这对延迟、复杂度及安全性提出了更高要求。本文介绍了LiteSwitchCodec，这是一种专为运营商管理平台上的个性化实时通信服务设计的轻量级神经网络语音编码器。它通过集成声音适配模块，在实现高

  来源：Neural Networks

  时间：2026-08-05

• 基于协同神经动态优化的数据中心冷却系统运行规划

  摘要数据中心是信息处理、存储和传输的重要设施。随着数据中心能耗的快速上升，这一问题已引起全球关注。在数据中心中，冷却系统占据了相当大的能耗比例。现有的规划方法在优化数据中心冷却系统运行方面效率较低。本文针对数据中心冷却系统的运行规划，构建了一个混合整数非线性优化模型，并将该问题分

  来源：Neural Networks

  时间：2026-08-05

• 深度图神经网络中表示演化的控制

  摘要：深度图神经网络在堆叠过多传播层时往往会出现性能下降。尽管这种现象通常与过度平滑有关，但仅从节点相似性角度无法完全解释深度表示的失效问题。在传播过程中，节点表示会形成逐层发展的轨迹，这些轨迹可能变得不稳定，失去与输入信息的关联，或坍缩到低维子空间中。基于这一视角，我们将深度G

  来源：Neural Networks

  时间：2026-08-05

知名企业招聘：