• 基于CNN图像分类模型的可解释人工智能方法有效性评估流水线

  本研究提出一个评估流水线，用于基准测试八种可解释人工智能（XAI）方法在不同卷积神经网络（CNN）架构和数据集上的表现。该流水线报告了九个评估指标的均值、标准差和自助法置信区间。实验结果表明，在所评估的范围内，Noise Tunnel是最稳定可靠的默认方法；G

  来源：Neurocomputing

  时间：2026-09-27

• 代谢减重术后非典型神经性厌食症诊断标准的适用性检验：基于饮食障碍检查访谈的前瞻性队列研究

  目的： 检验当前非典型神经性厌食症（atypical anorexia nervosa, AAN）的诊断标准对代谢减重手术（Metabolic Bariatric Surgery, MBS）术后1年患者的适用性。 方法： 这项前瞻性正在进行中的队列研究纳入了多

  来源：International Journal of Eating Disorders

  时间：2026-09-27

• 面向邻近运营线路的铁路建设方案神经符号监管检索与合规审查框架

  穿戴式病房监测最终必须能够检测到患者离床的时刻，然而与动态活动相比，开启离床过程的短暂姿态转换尚未得到充分研究。作为一项可行性研究，研究人员使用一个公开的腰部佩戴六轴惯性数据集（30名健康受试者），探究哪些传感器轴承载这些转换信息，以及预训练基础模型是否对此有

  来源：Sensors

  时间：2026-09-27

• 基于贝叶斯优化与K-means聚类的径向基函数神经网络在半导体探测器故障诊断中的应用

  本研究评估了径向基函数神经网络（RBFNN）在预定义半导体探测器故障类别中进行严重程度分类的性能。数据集包含模拟的PN结老化、RC电路故障和辐射损伤，以及三种混合故障构造。原始波形在拟合特征变换之前被分区。一项包含四种变体的消融研究在十次分层划分上评估了隐层大

  来源：Sensors

  时间：2026-09-27

• 拓扑感知的E(3)等变神经网络TopoTENet用于晶体压电张量预测

  摘要 在晶体中精确预测压电张量仍然是一项挑战，因为有效响应必须同时满足连续几何对称性和周期边界条件下的离散晶体学约束。现有的基于学习的方法通常强调等变性或周期性几何，但往往没有通过E(3)等变消息传递显式地结合晶体拓扑结构。在此，我们提出了TopoTENet，一种拓扑感知的E

  来源：npj Computational Materials

  时间：2026-09-27

• 基于物理信息的容量-供给分解框架（PCSD）的河流径流与悬移质泥沙负荷联合预测

  准确的河流径流（river discharge, RD）和悬移质泥沙负荷（suspended sediment load, SSL）预测对于水文预报和河流管理至关重要。传统的基于过程的模型通常需要大量参数化、详细的流域信息以及大量的校准工作，这限制了它们在数据

  来源：Journal of Hydrology

  时间：2026-09-27

• 功能性神经障碍患者中代谢、生殖与内分泌合并症的回顾性研究

  **摘要** **背景** 功能性神经障碍（FND）是一种常见且具有致残性的疾病，越来越多地被认为与多种合并症共存，尽管代谢、生殖和内分泌特征仍较少被探索。 **方法** 对282名由神经科医生确认患有FND并就诊于三级神经精神卫生服务的成人进行了回顾性病例记录审

  来源：Discover Mental Health

  时间：2026-09-27

• 数字认知训练累积剂量对轻度神经认知障碍老年人功能性独立维持效果的纵向研究

  摘要 背景：本研究旨在探讨更高累积剂量的数字认知训练（digital cognitive training，DCT）是否能够为轻度神经认知障碍（Mild Neurocognitive Disorder）老年人带来更大且更持久的认知与功能性改善。 方法：研究人员

  来源：Geriatrics & Gerontology International

  时间：2026-09-27

• 综述：基于图方法的钓鱼网站检测系统性综述：双轴分类法与基准规范提案

  摘要

  来源：Applied Sciences

  时间：2026-09-27

• 具有混合通信延迟与间歇性DoS攻击的分数阶多智能体系统基于自适应RBF神经网络的弹性领导者-跟随者一致性研究

  摘要 本文研究了一类具有混合通信延迟、不确定非线性动力学、范数有界参数不确定性以及间歇性拒绝服务（DoS）攻击的具有记忆依赖性的分数阶多智能体系统（FOMAS）的弹性领导者-跟随者一致性问题。研究目标是确保跟随者智能体即使在弱连接、网络变化和通信丢失的情况下也能跟踪领导者

  来源：Fractal and Fractional

  时间：2026-09-27

知名企业招聘：