• 用于大语言模型输出顺序可靠性诊断的外部可验证检查点轨迹：来自结构化文本转SQL推理的证据

  - CPFC将大语言模型推理编译为可外部验证的检查点轨迹。 - 基数校准失败将验证器熵限制为序数诊断。 - 检查点轨迹在退化起始定位方面超越了步骤级验证。 - CPFC标签与独立的盲法参考标注之间存在非平凡的一致性。 - 深度嵌套结构暴露了扁平检查点的可验证性边界。 **引

  来源：Neurocomputing

  时间：2026-09-28

• SHARD：面向冻结语言模型顺序知识编辑的基于插槽托管的可寻址残差增量

  • 冻结基座知识编辑方法（GRACE家族）通过将编辑存储在外部逐槽码本中，而非修改模型权重，来避免灾难性遗忘。 • SHARD替换了GRACE的三项设计选择：余弦路由固定阈值、加性残差写入，以及ROME风格的ℓ2优化用于槽值。 • 在四个组合（CounterFact/zsRE

  来源：Neurocomputing

  时间：2026-09-28

• 基于影子轨迹激励的无模型最优跟踪控制高效探索方法

  摘要 本文研究了连续时间线性系统在平均代价准则下的最优跟踪控制问题。提出了一种阴影轨迹激励机制，以放宽数据驱动学习中对受控对象施加的激励要求。受控对象仅参与初始预学习阶段，用于采集有限数据集并获取一个稳定化反馈增益。随后，采用自由设计动态特性的辅助照明系统产生持续具有信息量的

  来源：Neurocomputing

  时间：2026-09-28

• 面向EEG情绪识别的认知先验驱动的时间解耦与空间对齐网络

  摘要：神经科学研究表明，不同情绪状态在时间演变和大脑激活方面均表现出独特且动态的模式。然而，多尺度时间特征内部尺度共享分量与尺度特有分量的纠缠、跨脑叶空间异质性，以及局部与全局空间特征之间的语义鸿沟，阻碍了有效的情绪表征。本文提出一种认知先验驱动的时序解耦与空间对齐网络（CT

  来源：Neurocomputing

  时间：2026-09-28

• 高不确定性建模场景中的认知网络聚合

  摘要 通过参与式建模构建的模糊认知图（FCMs）将专家的因果关系知识编码到统一的认知网络中。聚合多个描述同一系统的FCMs面临两个未解决的挑战。首先，高不确定性使得专家模型在结构上被噪声主导，因此等权运算符趋向于向噪声簇迁移，而非潜在共识。其次，专家可靠性是自报的，通常不可

  来源：Neurocomputing

  时间：2026-09-28

• 缓解归纳式超关系知识图谱补全中的配对频率偏差与限定词-主关系不匹配问题

  **摘要要点** - FREQ 在 MAYPL 中纠正了配对聚合，无需添加可学习参数。 - IDF 根据图频率对头、尾和限定词配对编码进行条件化。 - 关系条件权重为未见实体选择兼容的限定词。 - FREQ 将复现的 MAYPL 最高提升了 3.84 个 MRR 百分点。 -

  来源：Neurocomputing

  时间：2026-09-28

• M3LLM：利用大型语言模型（LLMs）进行时间序列分析的时间标记建模

  •提出了一个统一的时间标记建模框架，用于基于大语言模型（LLM）的时间序列预测和分类。•通过结合时间片段和变量及时间线索，构建了结构化的时间标记。•使用多尺度建模、双变量交互和掩码注意力机制来捕捉时间模式和跨变量依赖性。•通过基于共享时间表示的任务特定预测头来处理预测和分类任务。

  来源：Neurocomputing

  时间：2026-09-28

• 一种用于无线传感器网络中隐私保护分布式状态估计的编码机制

  摘要 在无线传感器网络的分布式状态估计中，无线信道的开放特性使敏感状态信息易受窃听。现有的主动防御机制通常注入人工噪声，以保护传输的状态信息免受窃听者侵害。本文揭示，传统人工噪声的协方差渐近发散，导致注入的数据包偏离合法状态估计，从而使得基于密度的聚类算法能够将其过滤掉。为解

  来源：Neurocomputing

  时间：2026-09-28

• 功能隐藏将目标检测模型转变为秘密监控器

  摘要 在许多受监控的环境中，部署敏感的深度神经网络会带来安全风险。功能隐藏通过将敏感功能隐藏在无害的封面模型中来应对这一挑战。在现有方法中，输出隐藏是一种很有前景的范式。然而，现有的输出隐藏方法由于依赖固定的输出投影和反对称密钥，存在适应性差和密钥空间有限的问题。为了克服这些

  来源：Journal of Visual Communication and Image Representation

  时间：2026-09-28

• CoTAR：凝聚相中的拓扑结构与原子状态重建

  开放式图形查看器 摘要 通用机器学习原子间势（uMLIPs）使得以接近第一性原理的精度进行凝聚相分子动力学（MD）模拟成为可能；然而，其缺乏显式分子拓扑结构限制了基于键合信息的分析和重新连接到经典力场。本研究提出了CoTAR，一种混合图神经网络（GNN）-隐马尔可夫模型（

  来源：Journal of Chemical Information and Modeling

  时间：2026-09-28

知名企业招聘：