-
综述：参数高效持续微调：综述
摘要
大规模预训练模型的出现彻底改变了人工智能领域，为各种任务带来了新的可能性，并实现了前所未有的性能。然而，这些模型继承了传统机器学习方法的一个根本局限：它们严重依赖独立同分布的假设，这限制了它们适应动态现实场景的能力。我们认为，人工智能领域的下一个重大突破在于开发出能够高
来源：Neurocomputing
时间：2026-07-19
-
用于长期气候动力学的神经网络平流-扩散方程
摘要：传统的气候和天气预报依赖于基于大气物理学的计算密集型数值模拟，而深度学习方法正逐渐成为具有变革意义的替代方案。然而，现有方法往往纯粹以数据为驱动，缺乏对物理规律的考虑，没有明确的物理感知结构，且泛化能力较差。为解决这些问题，我们提出了物理感知张量场神经偏微分方程模型（PA-
来源：Neurocomputing
时间：2026-07-19
-
MambaFlow：用于高效光流估计的跨帧状态空间建模方法
摘要
近期，Mamba架构在多种计算机视觉任务中取得了显著成果。然而，其在光流估计领域的应用尚未被探索。本文提出了MambaFlow，这是一种专为端到端光流估计设计的基于Mamba的框架。该框架包含两个核心组件：（1）PolyMamba，通过双Mamba架构增强特征表示，结合
来源：Neurocomputing
时间：2026-07-19
-
基于多方向嵌套与边缘扫描融合的光学遥感图像弱监督显著目标检测
摘要：近年来，尽管在光学遥感图像中的全监督显著物体检测方法取得了显著的性能提升，但这种监督方式所需的像素级标注工作量极大且耗费资源。为解决这一问题，基于草图标注的弱监督ORSI-SOD方法取得了重要进展。然而，现有的弱监督ORSI-SOD方法缺乏对显著物体多方向特征的显式建模，也
来源：Neurocomputing
时间：2026-07-19
-
CARE-FL：去中心化医疗环境中用于罕见病检测的公平协作学习方法
摘要在联邦医学成像中，稀有类别通常占训练数据总量的10%以下，但却对诊断要求最为严格，这种矛盾是按规模比例聚合无法解决的。传统方法通过按数据集大小分配权重，会系统性压制那些包含大量稀有类别数据的节点的影响，从而得到整体准确但类别不公平的模型。本研究提出了一种统一的质量-样本-稀有
来源：Neurocomputing
时间：2026-07-19
-
LGR：利用李雅普诺夫梯度正则化提升对抗性集成模型对强健模型的迁移能力
摘要：基于集成方法的技术已被证明可通过整合不同架构和训练数据下的模型，有效提升对抗性样本的迁移能力。然而现有方法主要聚焦于优化集成权重或整合路径，而对决定迁移能力的核心因素——谱稳定性——探讨不足。具体而言，现有方法生成的噪声往往具有高频特性，极易被强大的防御机制识破。为解决这一
来源：Neurocomputing
时间：2026-07-19
-
适用于大型数据集的叠加k均值聚类算法
摘要重叠聚类允许对象属于多个簇（多重分配），这一特性在文档组织、社交网络分析以及入侵检测等领域非常有用。在用于重叠聚类的算法中，基于重叠k均值算法的算法最为常见。现有研究中有一些基于OKM的算法能够生成良好的聚类结果，但当数据集规模变大时，这些算法的运行时间会显著增加，而如今大型
来源：Neurocomputing
时间：2026-07-19
-
青少年首次躁狂发作与大麻使用对丘脑体积变化的初步研究
摘要
背景
有研究指出，双相情感障碍患者的大脑丘脑结构存在异常，而且这种异常与大麻使
来源：Bipolar Disorders
时间：2026-07-19
-
综述：深度学习在皮肤科图像分析中的应用：架构、评估指标、泛化能力及可解释人工智能的综述
摘要人工智能已成为皮肤科图像分析中的核心方法论支柱；然而，相关研究在分类、分割、检测、可解释性以及临床泛化方面仍存在碎片化现象。本综述系统梳理了2023年至2026年间发表的135项研究，重点关注卷积神经网络（CNN）、视觉变换器、混合CNN-变换器架构、集成系统、分割网络、检测
来源：ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING
时间：2026-07-19
-
利用物理信息神经网络优化风光储联合惯性系数，以抑制以水力发电为主导的电力系统中的频率振荡
摘要：低频振荡会严重威胁以水力发电为主的电力系统的频率稳定性。虽然可以通过调整水轮机调速器的比例-积分-微分参数来缓解这类振荡，但这种调整会削弱水力发电机组的主频率调节能力。随着风能、光伏和储能系统越来越多地被纳入水力发电输送网络，这些可再生能源的快速调节能力为抑制水力机组功率波
来源：Renewable Energy
时间：2026-07-19
粤公网安备 44010602000434号