• 基于未来引导的编码技术与交互感知的条件流匹配方法，用于多模态轨迹预测

  万文康|李德忠|曾明进|蔡青|王代汉|刘一婷|盛凯 教育部协同智能系统重点实验室，西安电子科技大学电子工程学院，中国西安710000 **摘要** 预测交通参与者的多样且符合社会规范的轨迹对于自动驾驶车辆的安全运行至关重要。准确的多模态轨迹预测直接决定了下游规划的可

  来源：Neurocomputing

  时间：2026-06-12

• FGSEP：用于高效深度神经网络的细粒度结构化元素剪枝技术

  张鹏|田聪|王斌|段振华 信息与计算机系，太原理工大学，迎泽西路79号，太原，030024，山西省，中国 摘要 网络剪枝已被广泛认为是使深度神经网络适应资源受限部署场景的有效解决方案。然而，现有的剪枝方法通常在计算规则性和准确性保留之间存在权衡：细粒度剪枝会导致不规

  来源：Neurocomputing

  时间：2026-06-12

• 基于证据理论的先验约束多视图聚类

  陈正南|吴春明|方子涵|范萍|李金波|王世平福建农林大学计算机与信息科学学院，福州350002，中国摘要多视图聚类旨在利用来自多个视图的互补信息来揭示潜在的簇结构。然而，许多基于约束的方法依赖于外部提供的标签或成对约束，这限制了它们在完全无监督环境中的适用性。同时，视图质量的差异

  来源：Neurocomputing

  时间：2026-06-12

• 结合几何感知变换器的级联深度胶囊神经网络，用于高效识别金谷营养谷物中的疾病

  拉米亚·S|D. 普拉迪普 印度泰米尔纳德邦卡拉尔市塔拉瓦帕莱亚姆M. 库马拉萨米工程学院人工智能系 **摘要** 由于病斑形态的多样性、光照条件的变化以及背景的复杂性，珍珠粟叶病的检测仍然具有挑战性，这些因素常常限制了现有深度学习模型的泛化能力。为了解决这些问题，

  来源：Neurocomputing

  时间：2026-06-12

• 用于开放集识别的特定类别原型网络

  李玉林|李金江|胡丽英|徐坤鹏|陈丽菲 福建师范大学计算机与网络安全学院，福州，363000，中国 **摘要** 开放集识别（OSR）旨在解决正确识别训练期间未观察到的未知类别样本的挑战。尽管现有的基于原型的OSR方法在某种程度上提高了模型的鲁棒性，但依赖于所有类别

  来源：Neurocomputing

  时间：2026-06-12

• 神经网络中的癫痫样快慢复合波：树突振荡的机制及非突触参与机制

  李彦成|沈庆茹|邱建龙|孙向东|陈向勇 摘要 本文研究了在部分通信通道故障下，具有输出导数耦合的多权重复杂网络中的固定时间输出同步问题。与以往的研究不同，本文关注了动态网络的输出导数耦合，由于技术挑战，这一领域在当前研究中尚未得到足够的重视。此外，本文还考虑了多权重拓扑结构和部

  来源：Neurocomputing

  时间：2026-06-12

• 通过特征-标签双向关联结合自适应标签图扩散实现的部分多标签特征选择

  单绍豪|刘静华|张洪波|于元龙|孙振振福建厦门华侨大学计算机科学与技术学院，361021，中国摘要部分多标签学习（PML）是一种弱监督学习框架，旨在处理带有噪声标签的多标签数据。除了噪声标签的干扰外，多标签数据还经常受到高维特征引起的“维数灾难”的影响，这严重降低了PML算法的性

  来源：Neurocomputing

  时间：2026-06-12

• HCAttention：通过异构注意力计算实现大规模语言模型（LLMs）的极端键值（KV）缓存压缩

  杨东泉|杨一帆|于晓天|齐先标|肖荣中国深圳Intellifusion有限公司摘要使用大型语言模型处理长上下文输入是一个重大挑战，因为在推理过程中需要存储大量的键值（KV）缓存。因此，随着序列长度的不断增加，高效的KV缓存管理策略对于平衡性能和资源利用变得至关重要。然而，当内存减

  来源：Neurocomputing

  时间：2026-06-12

• PLocNet：个性化节点表示与局部结构保留技术在节点分类中的应用

  王浩|杨 Funing吉林大学计算机科学与技术系，长春，130012，吉林，中国摘要图神经网络（GNNs）在异构图上的性能受到严重限制，因为连接在一起的节点通常属于不同的类别。现有方法难以应对这一挑战，通常存在两个关键缺陷：它们无法区分不同粒度的信息，并且忽略了远距离节点之间的隐

  来源：Neurocomputing

  时间：2026-06-12

• MgRec：基于多粒度意图交互的序列推荐方法

  张晓霞|赵宇航|黄旭东|孙海超 摘要 传统的序列推荐方法主要关注用户行为，但往往忽略了潜在的意图。本文提出了一种基于多粒度意图交互的序列推荐方法（MgRec），这是一种新颖的多粒度框架，旨在明确建模这些意图。在细粒度层面，Transformer从交互序列中捕捉特定的用户偏好；同

  来源：Neurocomputing

  时间：2026-06-12

知名企业招聘：