• DART：基于扩散平滑与自适应噪声注入的分布对齐鲁棒训练

  摘要深度神经网络（DNNs）已被广泛应用于图像识别及相关任务，但它们对对抗扰动的脆弱性严重限制了其在安全关键场景中的部署。现有的鲁棒训练方法往往难以平衡鲁棒性和任务性能，这主要是由于输入扰动与内部正则化之间的分布不匹配。为解决此问题，我们提出了一种分布对齐鲁棒训练（DART）

  来源：Neurocomputing

  时间：2026-09-03

• TriUTest：内化执行反馈以生成暴露缺陷的 Python 单元测试

  摘要 动态类型语言（如 Python）的自动化单元测试生成通常面临高覆盖率与低缺陷暴露之间的差距问题：模型可以生成可执行测试，但断言较弱，候选分布容易崩溃，且缺乏有效的机制将执行反馈转换为可学习信号。为解决这一问题，我们提出了 TriUTest，一种面向 LLM 的三阶段后训

  来源：Neurocomputing

  时间：2026-09-03

• 基于客户端访问机制驱动联邦学习的稀有故障诊断

  摘要诊断机电一体化设备中的罕见故障具有挑战性，因为每个客户端只有有限数量的故障样本。联邦学习（FL）可用于为每个客户端联合训练故障诊断（FD）模型。在拥有罕见故障样本的客户端也遭受数据质量不佳问题的情况下，现有的 FL 方法无法工作，因为无法很好地提取罕见故障特征。一些强大的

  来源：Neurocomputing

  时间：2026-09-03

• 当金融微调失败时：领域适应语言模型中数值幻觉的三级可检测性分析

  摘要 金融大型语言模型日益被部署用于报告摘要和披露，其中数值幻觉构成了显著的实际风险。尽管先前工作通常将此类幻觉归因于数值推理不足，但该假设尚未在受控微调设置下进行系统测试。在本文中，我们对三种模型变体在金融摘要中的数值幻觉进行了具有成本效益的受控研究：基础指令微调模型、领域

  来源：Neurocomputing

  时间：2026-09-03

• 分而治之：基于自适应规范化的傅里叶图学习方法在时间序列预测中的应用

  摘要 时间序列预测是指基于过去的序列来预测时间序列中的值序列，在许多实际应用中发挥着至关重要的作用。传统方法通常采用全局规范化来稳定输入分布，但这忽略了局部统计变化，并引入了分布不匹配的问题。为了解决这些问题，我们提出了AdaFGNet，这是一种新颖的分而治之框架，它将自适应

  来源：Neurocomputing

  时间：2026-09-03

• 融合模糊信息建模与动态路径记忆网络的时序知识图谱查询模型

  摘要时间知识图谱（TKG）通过在事实中引入时间信息来扩展静态知识图谱（KG），其中每个事实由实体、关系和时间戳组成。时间知识图谱查询（TKGQ）旨在通过解析自然语言问题，从TKG中检索对时间敏感的目标事实。尽管现有模型能够有效处理包含显式时间戳的简单查询，但它们在处理涉及隐式

  来源：Neurocomputing

  时间：2026-09-03

• 面向遥感影像半监督旋转目标检测的概率-几何双驱动难样本聚焦

  摘要 遥感半监督旋转目标检测（RSSOOD）旨在利用有限的标注数据和丰富的未标注数据来训练高性能的旋转目标检测器，从而减少对昂贵人工标注的依赖。RSSOOD 的主要挑战在于伪标签固有的不准确性。虽然现有方法主要集中在伪标签选择上，但它们往往忽略了困难样本的关键作用，导致模型偏

  来源：Neurocomputing

  时间：2026-09-03

• 水平与垂直深蹲跳的生物力学及神经肌肉比较

  Trama, S, Macchi, R, Pâris, B, Bertin, D, Regnaud, J, Nicol, C, 和 Hays, A. 水平与垂直深蹲跳的生物力学及神经肌肉比较。J Strength Cond Res XX(X): 000–000, 2026—与

  来源：The Journal of Strength & Conditioning Research

  时间：2026-09-03

• MWCNTs-COOH/Nafion改性PCB金电极用于电化学检测由SKPs来源的多巴胺能神经元分泌的多巴胺

  •低成本PCB金电极，具有优异的电子传输动力学。•MWCNTs/Nafion网络提升了灵敏度和选择性。•高性能：1–70 μM线性范围和202 nM检测限。•在复杂介质中具有强抗生物污染性和选择性。•能够直接检测3D dECM神经元模型中的多巴胺。引言多巴胺（DA）是一种关键的去

  来源：Microchemical Journal

  时间：2026-09-03

• 基于张量的具有共识学习和多样性保持表征的无监督多视图特征选择

  摘要：多视图特征选择在高维数据分析中起着至关重要的作用，旨在从多个视图中提取最具判别力的特征。然而，现有的无监督多视图特征选择方法往往只关注视图间的一致性而忽略各视图中包含的独特信息，或过度强调个性化特征而牺牲多视图融合能力。此外，由于不同视图间特征分布和数据结构的差异，直接

  来源：Neurocomputing

  时间：2026-09-03

知名企业招聘：