• 蛋黄脂质通过促进从妊娠期到青春期的神经元成熟、突触生成和髓鞘化，支持后代大脑发育

  •富含 DHA 的蛋黄脂质（DH）改善了后代的大脑功能。•DH 处理促进了海马神经元存活和突触可塑性。•DH 处理重塑了肠道微生物群和甘油磷脂代谢。•DH 处理（2 克/千克/天）显示出优于正常蛋黄脂质的效果。引言大脑发育是一个复杂且连续的过程，始于受孕，贯穿早期生命，并延续

  来源：Food Bioscience

  时间：2026-09-20

• 神经松动技术对本体感觉神经肌肉促进技术治疗粘连性关节囊炎患者的附加价值：随机对照试验

  摘要 背景与目的 尽管神经松动技术（NMTs）和本体感觉神经肌肉促进技术（PNF

  来源：Physiotherapy Research International

  时间：2026-09-20

• SoftRangeBEV: 用于轻量级激光雷达三维目标检测的范围感知 BEV 特征学习

  摘要基于激光雷达（LiDAR）的三维（3D）目标检测是自动驾驶的基本感知任务。轻量级鸟瞰图（BEV）骨干网络通常通过均匀通道压缩或简化卷积结构来降低计算成本，尽管LiDAR观测具有很强的距离依赖性，且随着距离增加变得越来越稀疏。为解决这一不匹配问题，我们提出了SoftRang

  来源：Neurocomputing

  时间：2026-09-20

• ZM-VAEGAN：用于领域鲁棒归纳零样本学习的结构对齐视觉状态空间建模

  # 摘要 零样本学习（ZSL）旨在利用已见类别中的语义知识来识别未见类别。然而，归纳式ZSL模型面临领域偏移问题——即视觉-语义不对齐导致泛化能力受损。为此，我们提出了ZM-VAEGAN，一个将结构对齐VAEGAN与视觉Mamba相结合的框架，用于捕获长程视觉依赖关系。我们

  来源：Neurocomputing

  时间：2026-09-20

• 基于扩散模型的文本到图像生成的双域语义-感知控制

  •我们提出了DSPC，用于在扩散模型中分离语义控制与感知控制。•我们设计了一个注意力重聚焦模块，以强制实现显式的概念存在。•我们提出了一个动态频率模块，以恢复保持相位的视觉质量。•兼容扩散管线，无需架构修改。引言近年来，文本到图像扩散模型 [1]、[2] 在生成高分辨率和照片

  来源：Neurocomputing

  时间：2026-09-20

• 多目标跟踪中的分割引导关联细化

  •基于检测的跟踪（TbD）在遮挡场景下会失效；分割线索能够增强恢复效果•SGAR-MOT 通过基于掩码的推理为 TbD 方法增强能力，以重新恢复丢失的轨迹•ORP 利用 SAM 2 和一个学习型身份模块来恢复未匹配的轨迹•MIR 从多帧分割证据中验证身份一致性•SGAR-MO

  来源：Neurocomputing

  时间：2026-09-20

• 一种混合互信息准则及其在鲁棒广泛学习系统中的应用

  摘要 作为一种高效且被广泛研究的学习方法，广义学习系统（BLS）在非线性回归和时间序列预测任务中表现出了优异的性能。为了进一步提高BLS在非高斯噪声环境中的鲁棒性，基于不同的标准（如单核相关系数标准），提出了几种改进的BLS变体。然而，这些方法仍然存在显著的局限性。例如，单核方法

  来源：Neurocomputing

  时间：2026-09-20

• GSMRecIT：一种基于图的多任务序列推荐器，用于同时预测下一个项目、时间间隔和持续时间

  •利用时间间隔和交互时长提升下一项预测•门控图神经网络提升嵌入表示与数据集成效率•集成注意力机制精确权重分配序列并捕捉用户偏好•在流媒体和游戏场景中提升下一项预测模型表现引言近年来，随着互联网内容的快速增长和电子商务的兴起，用户面临着海量的信息。推荐系统在过滤内容和为用户提供

  来源：Neurocomputing

  时间：2026-09-20

• 基于对比学习的肺结节恶性预测双分支互补视觉框架

  摘要 肺结节恶性预测的准确性对于早期肺癌诊断至关重要。然而，对于外观高度相似且弱线索的疑难结节，纯视觉模型缺乏临床语义监督，容易产生不稳定的预测。近期的视觉-语言方法引入文本先验并利用对比语言-图像预训练来改进结节分类，但全局对齐目标可能使表示偏向语义一致性，从而降低对细微

  来源：Neurocomputing

  时间：2026-09-20

• 超越空间对齐：面向少样本细粒度图像分类的空频互重建方法

  摘要少样本细粒度图像分类旨在从极其有限的标注数据中识别新颖的子类别。近期方法通过密集特征匹配或互重建来解决空间对齐问题，取得了令人瞩目的成果。然而，其中大多数方法仅作用于空间域，且对所有频率成分和空间块一视同仁。结果，它们往往过度强调背景布局，而削弱了对细粒度识别至关重要的高

  来源：Neurocomputing

  时间：2026-09-20

知名企业招聘：