• 基于即插即用先验与定制化深度网络的灵活三维断层合成孔径雷达重建框架

  摘要：断层合成孔径雷达（TomoSAR）是一种用于获取观测场景高分辨率三维（3-D）信息的先进遥感技术。现有的 TomoSAR 重建方法广泛采用了显式正则化项，例如 L1-范数和全变分（TV），以提高断层重建质量。然而，显式正则化项通常与特定的散射假设绑定，使得单一正则化项

  来源：IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing

  时间：2026-10-12

• 基于延迟嵌入输入输出的不确定性感知非线性系统预测方法

  摘要：可信的网信息系统需要具备能够处理不确定性的预测模型，以应对准确物理模型不可用且测量数据存在噪声的情况。本研究提出了一种基于延迟嵌入输入输出表示的、具有不确定性感知能力的、面向非线性系统一步预测输出的数据驱动框架。一个循环神经网络学习未来嵌入状态的二阶高斯描述，而一个卡尔

  来源：IEEE Control Systems Letters

  时间：2026-10-12

• PromptSentinel：一种可审计的大语言模型恶意提示防护神经符号框架

  摘要：大语言模型（LLMs）的广泛采用要求其抵御恶意提示的攻击。现有的神经防护栏存在一个关键局限：其决策来源于不透明的、高维度的变换过程，难以被人审察，因此不适用于需要可审计性和人工监督的受监管或安全关键部署场景。本文通过引入PromptSentinel填补这一空白——这是

  来源：IEEE Transactions on Computational Social Systems

  时间：2026-10-12

• 面向6G联合通信与感知的复值神经网络波形设计框架

  联合通信与感知（JCAS）最近已成为未来6G无线网络的关键技术。JCAS通过共享发射波形同时实现通信和雷达感知功能，既降低了硬件成本，又提高了能效。然而，设计能够同时提供高通信效率和准确感知能力的波形仍然是一个具有挑战性的研究问题。因此，近期研究已探索了各种针对JCAS定制的

  来源：IEICE Transactions on Communications

  时间：2026-10-12

• K-DAREK：面向安全关键应用的神经网络最坏情况误差估计与量化框架

  摘要： 机器学习在安全关键应用中需要能够支持可靠最坏情况分析的不确定性估计。神经网络（NNs）能够提供强大的函数逼近能力，但通常缺乏易于处理的最坏情况下的误差界限；而高斯过程（GPs）在大规模应用时计算成本较高。我们提出

  来源：IEEE Open Journal of Control Systems

  时间：2026-10-12

• 神经信道基元辅助深度强化学习框架用于多HAP辅助LEO卫星网络资源管理

  摘要：集成低地球轨道（LEO）卫星和高空平台（HAP）的非地面网络（NTN）预计将在超越第五代（B5G）和第六代（6G）无线系统中发挥重要作用，提供广域覆盖和弹性连接。然而，多种空中和空间平台的共存引入了高度动态的网络拓扑、时变干扰以及依赖于移动性的信道变化，这极大地增加了

  来源：IEEE Open Journal of the Communications Society

  时间：2026-10-12

• 硅片验证的存内计算二值卷积神经网络加速器CiC-BCNN：面向边缘端高效通用图像分类

  **摘要：** 二值卷积神经网络（BCNNs）将权重和激活值约束为二值，为资源受限的传感和嵌入式平台上的高效推理提供了一种有前景的方法。然而，大多数现有的BCNN实现仍然依赖关键网络组件中的全精度计算，包括首个输入处理层和最终的输出分类层。这种依赖降低了二值化的收益，并使得

  来源：IEEE Transactions on Circuits and Systems for Artificial Intelligence

  时间：2026-10-12

• IEEE控制系统杂志专访：Eric Tseng教授与Patricia Pauli

  本期《IEEE控制系统》杂志中，我们采访了 Eric Tseng 教授（阿灵顿德克萨斯大学杰出教授）和 Patricia Pauli（埃因霍温理工大学机械工程系助理教授）。Hongtsei Eric Tseng 于 1986 年获国立台湾大学学士学位，并于 199

  来源：IEEE Control Systems

  时间：2026-10-12

• 面向鲁棒与可靠神经网络的Lipschitz常数认证界与稳定性综合：系统与控制理论及安全AI基控制视角

  神经网络已成为现代工程与人工智能（Artificial Intelligence, AI）中最重要的技术之一，在众多应用中实现突破。在该博士研究中，研究人员探讨如何通过利用系统与控制理论（systems and control theory）工具开发鲁棒性保证

  来源：IEEE Control Systems

  时间：2026-10-12

• 学习型场景建模时代传统概念的作用：Neural Radiance Fields (NeRFs) 与 3-D Gaussian Splatting (3DGS) 中经典原理作为归纳偏置为何仍然重要

  Neural Radiance Fields (NeRFs) 以及更近期的 3-D Gaussian Splatting (3DGS) 已成为用于场景表示、重建和新视角合成（novel view synthesis）的强大基于学习的方法。尽管它们常被作为新范式

  来源：IEEE Computer Graphics and Applications

  时间：2026-10-12

知名企业招聘：