-
基于神经网络的视频编码中,具有压缩伪影检测能力的增量学习方法
压缩感知的增量学习与神经参考帧合成研究。通过构建多级压缩数据集并采用恒定量化参数差距的增量学习策略,有效缓解了传统神经视频编码模型训练中的压缩不均衡问题,显著提升了VVC框架下参考帧生成的编码效率,在低延迟和高随机访问配置中分别实现4.64%-12.31%的B-j metric速率下降。
来源:Neurocomputing
时间:2026-03-01
-
用于多模态情感分析的解耦超图建模
多模态情感分析提出解耦超图建模方法,通过分离模态无关特征与模态特定特征,动态加权融合机制平衡跨模态交互与intra-模态表示,显著提升CMU数据集性能。
来源:Neurocomputing
时间:2026-03-01
-
用于图节点表示的随机伊辛模型
随机共振与Ising模型结合的图学习框架RIM4G提出,通过spin动力学编码节点表示,整合图拓扑与输入特征,在七个节点分类任务中表现与GNN/Transformer相当且更适用于神经形态硬件。
来源:Neurocomputing
时间:2026-03-01
-
迈向多语言仓库级别的代码生成:从零开始到指导式任务
提出ReCode-bench多语言仓库级代码生成基准,涵盖从零开始创建项目及结构/功能导向开发任务,并设计RepoGenesis框架整合结构相似性、语法正确性和功能有效性的三维奖励机制,实验显示经训练的Qwen2.5-Coder-7B表现接近Claude-Sonnet-4。
来源:Neurocomputing
时间:2026-03-01
-
一种无监督的开集识别方法,用于实现与用户无关的人类活动识别
针对穿戴式传感器的人体活动识别中的跨主体适应和开放集识别双重挑战,本文提出无监督域适应方法UCOHAR。该方法通过预训练源域模型生成特征和概率标签,利用时间索引选择邻近样本进行协方差矩阵聚类,结合熵阈值区分已知和未知类别。实验表明,UCOHAR在四个公开数据集上显著优于现有方法,有效解决了实际应用中的用户适应和未知活动识别问题。
来源:Neurocomputing
时间:2026-03-01
-
无聊作为一种认知资源利用的稳态机制——基于脉冲神经网络的解释
本研究提出基于脉冲神经网络(SNN)的闭环控制模型,模拟无聊感作为信号调节认知资源分配,通过动态调整神经元群体活动维持最佳参与度。实验验证该模型能有效应对输入变化并稳定认知资源利用,为脑启发AI的情感计算提供新框架。
来源:Neurocomputing
时间:2026-03-01
-
增强薄弱环节,协调强势部分:一种用于跨机器故障诊断的联邦增强型迭代学习框架
Xiaoxi Hu等提出Federated Enhanced Iterative Learning(FedEIL)框架,通过迭代联邦通信和自适应权重融合算法解决工业故障诊断中的非独立同分布数据与本地缺失标签问题,在保护隐私前提下提升跨设备诊断精度。
来源:Neurocomputing
时间:2026-03-01
-
ACVAE:一种基于注意力的对比变分自编码器,用于识别自闭症谱系障碍(ASD)亚群及其与基因表达的关联
基于高阶时空连接性的注意力对比变分自编码器模型研究,揭示自闭症谱系障碍(ASD)亚组特征及与基因表达关联。通过整合ABIDE数据集的静息态fMRI动态连接性矩阵,构建ACVAE模型分离ToM、DMN、CEN、SN网络的高阶协变模式,成功识别与临床亚型(ATD/APD/PDD)匹配的三个ASD亚组(F1=0.88),并验证其与Allen脑图谱基因表达谱的关联性。首次实现神经影像与基因组学的跨模态亚组划分。
来源:Neurocomputing
时间:2026-03-01
-
综述:细胞动力学的生成模型:从神经常微分方程到流动匹配
单细胞动态建模中神经常微分方程的应用及挑战,通过Flow Matching方法解决噪声稀疏性问题,结合生成模型优化细胞状态转移模拟,探讨数学特性与群体动力学分析。
来源:Communications Biology
时间:2026-03-01
-
利用载玻片组织消化技术对年轻和年老的小鼠以及患有路易小体病变的人类阿尔茨海默病患者进行质谱分析
神经退行性疾病如AD和LBD的早期诊断研究,优化LC-DIA-MS/MS平台实现5mm脑区样本糖组学与蛋白质组学整合分析,发现DIA模式显著提升检测覆盖率,揭示年龄和病理共病对神经突触及细胞外基质分子网络的影响,为生物标志物发现提供新方法。
来源:ANALYTICAL AND BIOANALYTICAL CHEMISTRY
时间:2026-03-01