• 基于双先验引导的任务定制半监督水下图像增强

  摘要数据驱动的水下图像增强（UIE）高度依赖于监督数据的来源与质量。水下数据集与实际部署环境具有更高的域对齐性，但通常只能提供不完美的伪参考；而合成配对数据虽然能提供更干净的增强目标，但对真实图像的泛化能力有限。为了解决上述局限，我们提出了Semi-DPGNet，一种结合合成

  来源：Neurocomputing

  时间：2026-09-10

• RotSQ：在旋转空间中大语言模型的联合量化与稀疏化

  摘要 由于计算和内存成本高，在资源受限环境中部署大语言模型（LLMs）仍然具有挑战性。量化和稀疏化是两种有效的压缩技术，但在激进压缩下独立应用它们往往会导致严重的性能下降，因为它们对权重和激活值施加了不同的分布要求。本文提出了 RotSQ，一种在学习的旋转空间中进行压缩的联合

  来源：Neurocomputing

  时间：2026-09-10

• 通过变换正则化稀疏化激活图

  摘要尽管深度神经网络仍在快速发展，但其巨大的计算和内存需求仍然对低功耗设备上的部署构成挑战。为解决这些挑战，研究者投入了大量精力于神经网络剪枝、激活图稀疏化以及专用硬件加速器等方面。其中，基于正则化的激活图稀疏化是一个前景广阔但尚未充分探索的方向。现有方法往往稀疏性增益有限，

  来源：Neurocomputing

  时间：2026-09-10

• 用于单细胞RNA测序分析的基因特征引导双向检索框架

  摘要 单细胞类型注释是将基因表达模式与细胞身份联系起来的基本步骤。然而，现有方法主要集中于从基因表达预测细胞类型的前向任务。对于反向任务——即利用已知细胞类型来识别对应的单细胞群体及其基因表达特征——它们提供的支持十分有限。这一局限主要源于缺乏可解释的知识桥接层。没有这一层，

  来源：Neurocomputing

  时间：2026-09-10

• DPAMMRec：面向多模态推荐系统的分布式隐私图聚合

  摘要 随着互联网和数字经济的快速发展，基于海量多模态数据的个性化服务推荐已成为关键应用领域。然而，现有的图神经网络（GNN）方法依赖集中式图数据，在推荐场景中面临严重的隐私风险。此外，传统隐私保护方法往往引入过多噪声，损害图结构的完整性，导致推荐效用显著下降。为解决隐私-效

  来源：Neurocomputing

  时间：2026-09-10

• RS-OVD：面向开放词汇目标检测的区域语义稳定化

  摘要 开放词汇目标检测（OVD）旨在定位并识别由任意类别名称描述的对象，包括检测器训练期间未被标注的类别。尽管视觉-语言预训练取得了显著进展，现有 OVD 方法仍面临三个实际挑战：区域级语义对齐不稳定、语义相似背景导致的高置信度误检，以及增量引入新类别时性能下降。为应对这些问

  来源：Neurocomputing

  时间：2026-09-10

• 基于神经网络的双时间尺度系统非持续输出约束自适应控制：在直流电机系统中的应用

  摘要 本文研究了受非持久输出约束（NPOCs）影响的两时标系统（TTSSs）的自适应神经跟踪控制问题。与非持久输出约束不同，NPOCs 被定义为系统在运行开始一段时间后出现的约束，且仅持续有限时间。为应对 NPOCs，引入了一种移位函数与障碍函数的组合方法，将受约束系统转化

  来源：Neurocomputing

  时间：2026-09-10

• SechKAN：基于双曲正割函数的Kolmogorov–Arnold网络

  摘要 近年来，Kolmogorov–Arnold 网络（KANs）因其在机器学习和科学计算中的有效性而受到越来越多的关注，为神经网络设计提供了一种新范式。本文提出了 SechKAN，一种基于双曲正割（sech）函数的新型 KAN。我们采用双曲正割基函数，因为其具有平滑的钟形形

  来源：Neurocomputing

  时间：2026-09-10

• 复杂网络结构相似性的证据融合量化

  摘要 量化网络之间的结构相似性，需要在保留各描述符之间不确定性与分歧的同时，将互补的描述符进行结合。我们提出了EFAST，一个证据融合框架，该框架将度、聚类系数和介数中心性的分布相关性通过特征特定的三角模糊数（TFN）映射为基础概率分配，然后利用Dempster规则对证据进

  来源：Neurocomputing

  时间：2026-09-10

• 面向零样本学习的层次化属性分组属性推理

  摘要 零样本学习（ZSL）旨在利用额外的语义信息来识别训练阶段中不存在的类别。然而，现有的 ZSL 方法受到两个主要因素的限制：1) 在注意力 ZSL 模块中，学习属性空间与视觉空间之间鲁棒的映射具有挑战性。2) 对缺失属性的敏感性，因为 ZSL 方法通常依赖于识别属性来确定

  来源：Neurocomputing

  时间：2026-09-10

知名企业招聘：