• 在野火烟雾暴露后，CD4+ T细胞的激活以及外周免疫细胞向大脑的流入会受到饱和脂肪酸饮食的调节

  •研究结果表明，在暴露于野火烟雾后，CD4 T细胞会随着时间和饮食的不同而渗透到大脑中。•通过多种免疫标志物（包括LFA-1、ICAM和VCAM）记录到了神经炎症现象，这些炎症在最后一次暴露后1天内达到峰值。•T辅助表型的CD4 T细胞似乎是大脑中对木烟反应的主要T细胞群体。•此

  来源：NeuroToxicology

  时间：2026-10-20

• 既往急性和慢性应激对实验动物糖皮质激素负反馈的影响：理论背景与方法学考量

  •下丘脑 - 垂体 - 肾上腺（HPA）轴是应激反应中的主要参与者•糖皮质激素负反馈（nGF）在垂体和大脑水平调节 HPA 轴•既往的应激经历可能会改变 HPA 轴及 nGF 的效能•与天然糖皮质激素（GCs）不同，地塞米松主要作用于垂体•测试 nGF 需要使用天然 GCs，

  来源：Neuroscience & Biobehavioral Reviews

  时间：2026-10-20

• 基于决策Transformer的潜在规划长时程决策

  摘要决策 Transformer（DTs）通过序列建模解决决策问题，并取得了令人惊讶的强大结果。然而，由于规划能力较差，DTs 在长时程任务中仍然存在困难。已有研究表明，子目标预测有助于引导 DTs 在复杂和长时程任务中的决策。然而，通过子目标预测进行显式规划存在次优性、低效

  来源：Neural Networks

  时间：2026-10-20

• 基于多样性增强对比学习的长尾表示学习

  摘要长尾分类的一项关键挑战在于少数类样本及其学习到的表征多样性不足。现有的长尾学习方法尝试通过重采样或重加权策略来缓解这些问题，但无法丰富少数类的多样性。在本文中，我们提出了一种多样性增强对比学习（DECL），这是一个旨在提升长尾分类任务表征学习与模型性能的新框架。具体而言，

  来源：Neural Networks

  时间：2026-10-20

• DCDA-Net：一种基于深度卷积膨胀注意力网络和时序加权损失的癫痫预测网络

  摘要：癫痫发作的突发性和不可预见性对患者安全和日常生活质量构成严重威胁，因此开发高精度、高可靠性的癫痫预测方法具有重要的临床意义。为此，本研究提出了一种融合深度卷积与新型膨胀注意力机制的癫痫预测模型，命名为DCDA-Net。首先采用深度卷积独立提取每个脑电通道的特征，保留空间

  来源：Neural Networks

  时间：2026-10-20

• 混合退化条件下面向可靠工业检测的超分辨率

  摘要工业缺陷检测对图像退化非常敏感，因为模糊、噪声、压缩以及有限的空间分辨率都会掩盖细微的结构变化，而超分辨率重建则可能引入高频伪影，干扰下游检测过程。针对这一问题，我们提出了 SynSR，一种面向检测的混合退化超分辨率框架。给定一张退化的低分辨率图像，SynSR 首先进行结

  来源：Neural Networks

  时间：2026-10-20

• CRP-MIL：一种基于通道重新划分的全切片图像分类多示例学习方法

  **摘要** 全切片图像（WSIs）具有超高分辨率并包含丰富的病理信息，导致建模过程高度复杂。当前用于WSI分析的多示例学习（MIL）模型存在两个主要局限：（1）对肿瘤区域与相邻图像块之间上下文关系的建模不足，（2）MIL框架本身的内在约束。WSIs必须被分割成多个独立的图

  来源：Neural Networks

  时间：2026-10-20

• AGformer：用于多变量时间序列预测的自适应滤波与门控融合注意力

  **摘要要点** • AKF 端到端地动态生成逐变量的频谱滤波参数。 • DGFA 双门控交叉注意力机制联合建模长期趋势与短期信号。 • MSED 通过基于注意力的跨尺度加权融合多尺度时间模式。 --- ## 引言 多变量时间序列预测是序列建模中的核心问题，在能源系统

  来源：Neural Networks

  时间：2026-10-20

• 通过双层协作控制改进非结构化地形中的异构多智能体自主探索

  摘要多智能体系统（MAS）在现实世界应用中具有重要意义，因为它们能够通过去中心化的协作有效管理复杂任务。大多数现有研究主要集中在同质的MAS上，即由具有相同功能能力和标准化行为协议的智能体组成的系统。然而，这样的系统在自主协作探索过程中往往无法有效适应动态或扰动环境。为此，本文研

  来源：Neural Networks

  时间：2026-10-20

• DA-S2RL：面向异构图像与电子健康记录阿尔茨海默病诊断的疾病感知共享-特定表示学习

  DA-S2RL 学习疾病感知的共享-特异表示用于阿尔茨海默病（AD）诊断。 DIFFM 在融合前将 MRI 和 PET 整合为紧凑的影像表示。 SCC 将影像-EHR 特征组织为共享语义和诊断残差。 结构化的 EHR 症状提供了由 SHAP 分析验证的任务特异性线索。

  来源：Neural Networks

  时间：2026-10-20

知名企业招聘：