• 综述：高温结构材料的加速试验与寿命预测：从经验加速到智能定向删失

  • 系统回顾了高温材料加速试验从经典范式到智能范式的演进历程。 • 建立了统一的损伤力学加速方程，将 Lemaitre-Chaboche 模型与 SRP 概念相整合。 • 提出了 MDPI-AV 框架，协同机理、数据与性能，实现长寿命验证。 • 物理信息神经网络（PINN）实

  来源：Engineering Fracture Mechanics

  时间：2026-09-21

• 驾驭有向图中的信任：重新定义图学习的鲁棒性

  摘要AI 摘要要查看此 AI 生成的摘要，您必须拥有高级访问权限。了解更多登录摘要摘要现有针对鲁棒图神经网络（GNNs）的研究主要集中在全无向图，而忽视了有向图中链接方向所蕴含的可信性。在本研究中，我们从攻击和防御两个角度分析了现有方法的局限性，并重新定义了有向图中 GNNs

  来源：ACM Transactions on Knowledge Discovery from Data

  时间：2026-09-21

• 公平图学习需要表达能力：从谱视角重新审视公平性

  摘要AI 摘要要查看此 AI 生成的摘要，您必须拥有高级访问权限。了解更多登录摘要摘要图神经网络（GNNs）已取得显著成功，但它们容易编码和放大社会偏见。当前公平图学习的研究主要专注于通过输入数据预处理、训练优化或模型架构修改来开发专门的去偏技术，其假设是 GNN 骨干是一个

  来源：ACM Transactions on Knowledge Discovery from Data

  时间：2026-09-21

• RoBCtrl：通过强化操控机器人交互来攻击基于图神经网络的社交媒体机器人检测器

  摘要AI 摘要要查看此 AI 生成的摘要，您需要高级访问权限。了解更多登录摘要摘要社交网络已成为个人获取实时信息的重要来源。社交机器人在这些平台中的影响已引起研究人员的广泛关注，并促成了多种检测技术的发展。然而，这些检测方法的安全性和鲁棒性仍有待深入研究。现有的基于图神经网络

  来源：ACM Transactions on Knowledge Discovery from Data

  时间：2026-09-21

• LOGIN：一种大语言模型咨询的图神经网络训练框架

  最近，图机器学习领域的主流研究通常采用设计先进图神经网络（GNN）变体以适应不同图特征的方法论。本文旨在利用大语言模型（LLMs）来增强基础GNN，从而简化这一过程。在已有"LLMs-as-Predictors"（LLMs作为预测器）和"LLMs-as-Enhancers"（

  来源：ACM Transactions on Intelligent Systems and Technology

  时间：2026-09-21

• 透过神经多样性视角探讨沉浸式技术：对注意缺陷多动障碍人群和自闭症人群体验虚拟现实的一项质性研究

  虚拟现实（VR）对神经多样性人群的适用性日益受到关注，但对于如何设计VR以满足该群体的需求、并在治疗场景之外为其带来积极体验，目前所知甚少。我们通过深度半结构化访谈，与15位患有注意缺陷多动障碍（ADHD）和/或自闭症的参与者进行了交流，以弥补这一知识空白。借助反思性主题分析

  来源：ACM Transactions on Accessible Computing

  时间：2026-09-21

• 基于混合CNN-RNN模型的额颞叶痴呆进展预测：一种新颖的表格到图像转换方法

  摘要AI摘要要查看此AI生成的摘要，您必须拥有高级访问权限。了解更多信息登录摘要摘要额颞叶痴呆（Frontotemporal Dementia, FTD）由于其复杂的时间动态特征以及获取纵向成像数据的实际困难，在疾病进展预测方面面临重大挑战。卷积神经网络（CNNs）在基于图像

  来源：ACM Transactions on Computing for Healthcare

  时间：2026-09-21

• 神经问答生成综述：方法、挑战与未来方向

  摘要 AI摘要 关闭

  来源：ACM Computing Surveys

  时间：2026-09-21

• 一种用于多标签表格数据分类的神经模糊系统的模块化框架

  •提出了一种用于多标签表格数据的模块化神经模糊框架。•特征-标签感知的子集构建了连贯且有标签信息的专家系统。•完整的局部模糊规则在线性规则增长时增强了表达能力。•全空间门控机制自适应地整合了局部神经模糊专家的输出。•一个现实世界的疾病任务验证了其预测价值和可解释性。 引言 多标

  来源：International Journal of Approximate Reasoning

  时间：2026-09-21

• 将自适应机制与均匀和非均匀时域分解相结合，用于训练具有物理信息理解的神经网络

  •SA-PINNs-TDD通过采用顺序分区训练并结合时间界面的知识传递，将标准SA-PINNs扩展到长时间PDE模拟中。•SA-PINNs-TDD能够高精确地求解具有陡峭梯度现象的非线性Allen-Cahn方程和Schrödinger方程。•对于2D Navier-Stokes方

  来源：Computer Physics Communications

  时间：2026-09-21

知名企业招聘：