• 在2型眼皮肤白化病的斑马鱼模型中，转录组分析将基因表达的变化与色素细胞分化及眼睛形态发育的缺陷联系起来

  •利用斑马鱼Oca2模型来研究人类白化病中观察到的多效性特征背后的细胞及发育机制。•银色素、虹彩细胞以及视网膜细胞发育的异常被视为多效性效应的潜在模型。•通过对野生型及oca2突变体胚胎进行单细胞RNA测序分析，发现了包括色素细胞、多能色素细胞前体以及多能神经嵴祖细胞在内的稀有目

  来源：Developmental Biology

  时间：2026-07-18

• 我还能再见到你吗？鱼类视网膜再生的可能性、优势与挑战

  •鱼类在视网膜遭受急性损伤后能够功能性再生视网膜神经元，而哺乳动物则不能。•再生的鱼类视网膜在微观结构上与未受损的视网膜相似。•与未受损的视网膜相比，再生的鱼类视网膜存在局部结构异常。•再生的鱼类视网膜能够恢复一定程度的电生理反应，并有助于实现简单的视觉相关行为。•需要进一步研究

  来源：Developmental Biology

  时间：2026-07-18

• 基于多属性跨模态学习与认知对齐的可解释图像复杂性建模

  •ICA4000：一个多属性图像复杂度数据集。•ICA_CLIP在CLIP基础上增加了细粒度图像块、标签以及交叉注意力机制。•多属性嵌入空间有助于生成可解释的文本。•激活图与人类眼动热图存在显著的空间一致性。引言图像复杂度是影响情感反应和认知负荷的重要因素，而这些因素又会直接影响

  来源：Pattern Recognition

  时间：2026-07-18

• 基于概率的异常检测迁移学习在可靠早期故障预警中的应用

  摘要在线早期故障检测是预测性维护中的关键环节，其目标是在设备持续运行过程中及时可靠地检测出故障。然而，在实际工程应用中，在线早期故障检测面临两大挑战：一是在线数据分布的漂移会导致决策偏差，二是传统基于刚性边界（如用单个超球体界定正常样本）的检测方法在噪声环境下容易引发频繁的误报。

  来源：Neurocomputing

  时间：2026-07-18

• 综述：织物缺陷识别研究综述：深度学习方法的数据驱动分析

  摘要在纺织领域中，织物缺陷会严重影响最终产品的质量，进而导致大量资源浪费。在智能纺织制造背景下，织物缺陷检测成为至关重要的一环。它属于智能纺织制造过程中关键的计算机视觉任务之一。本综述深入分析了公开可用的数据集，重点研究了缺陷的结构分布与数量等特性。针对织物缺陷数据集不完整、数量

  来源：Neurocomputing

  时间：2026-07-18

• FedAPEX：通过联邦加速扰动探索找到更平坦的极小值

  摘要：在数据异构性条件下，联邦学习面临着一个根本性的权衡：那些旨在加速收敛的方法往往会影响模型的泛化能力，而那些追求平坦、可泛化极小值的方法则通常收敛较慢。基于锐度感知的优化方法虽然能找到更平坦的解，但其标准的单步扰动上升法往往不足以摆脱尖锐的谷地，还可能减缓训练速度。相反，简单

  来源：Neurocomputing

  时间：2026-07-18

• 结合多个预训练基础模型中的知识以实现少样本识别

  摘要近年来，基于预训练的视觉语言基础模型（如CLIP）的方法在少样本分类领域受到了广泛关注。不过，这些方法通常仅聚焦于使用CLIP模型进行研究，未能充分挖掘多种预训练基础模型在少样本图像分类任务中的潜力。在本研究中，我们提出了一种新的框架——MoK，即多预训练基础模型知识混合框架

  来源：Neurocomputing

  时间：2026-07-18

• 基于局部-全局对比嵌入学习的时序知识图谱补全

  摘要 时间知识图谱由带时间戳的事实构成，是许多人工智能应用的核心基础；其完整性直接影响下游任务的性能。然而现实中的时间知识图谱往往存在缺失，因此从已有的事实中推断出缺失信息成为一项重要的研究课题。目前用于时间知识图谱补全的方法主要依赖基于嵌入的模型，通过将实体、关系和时间戳映

  来源：Neurocomputing

  时间：2026-07-18

• 用于序列决策中无训练策略融合的Top-k均匀投影方法

  摘要：推理时策略融合无需重新训练即可提升已部署的序列决策智能体的鲁棒性，但现有的融合规则存在实际应用中的权衡问题。诸如加权平均这样的全分布融合方法可能会传递低置信度的辅助动作，而基于排名前1的动作的投票方法则会丢弃除最高排名动作之外的有用排序信息。我们提出了Comp-Greedy

  来源：Neurocomputing

  时间：2026-07-18

• 自适应小波混合网络（AWM）：一种基于小波引导的周期注意力机制用于维度转换的高效时间序列预测框架

  摘要 时间序列预测在能源调度、金融风险管理以及气候建模等领域具有重要的应用价值。近年来，将一维序列按周期折叠为二维表示已成为一种重要方法，因为这种方式能够通过卷积同时捕捉周期内的连续性以及周期间的依赖关系，而这种折叠的质量取决于周期确定的准确性。自TimesNet提出这一方法

  来源：Neurocomputing

  时间：2026-07-18

知名企业招聘：