-
MSESTA：用于长期交通预测的多尺度演化时空注意力模型
淮金然|张浩毅
摘要：准确的长期交通预测对于智能交通系统的规划与调度至关重要。以往的研究已充分探讨了1小时内的短期交通预测，成功捕捉了交通数据的固有空间拓扑结构与时间规律。然而当预测时间范围延长时，计算效率以及模拟长期时空动态的能力便成为亟待解决的挑战。本文提出一种多尺度演化时
来源：Neural Networks
时间：2026-07-11
-
用于无监督领域适应的判别性迁移特征学习
李梦瑶|李正明|江景华
摘要：基于特征提取的方法已被广泛应用于无监督领域自适应任务中。近期的研究重点在于提取既具有领域差异性又具备类别区分能力的可迁移特征。然而，在构建具有区分能力的特征时，数据的序数局部结构却鲜有被探讨。本文提出了一种名为“区分性迁移特征学习”（DTFL）的新
来源：Neural Networks
时间：2026-07-11
-
MT-RevSNN：一种面向分层脉冲变换器的低内存低时间开销可逆框架
李思睿|宋泽阳|张学毅|张少辰|林哲源|蔡思奇|李海洲
摘要：脉冲变换器能够实现高效能的类脑计算，但在时空反向传播过程中需要O(L×T)的内存消耗，其中L为网络深度，T为模拟时间步数。可逆架构可通过在反向传播时重构激活值来降低内存需求，但在应用于分层变换器时面临两大限制：（1）
来源：Neural Networks
时间：2026-07-11
-
三层神经网络局部学习系数的上界
曲间谷 2025a、曲间谷 2025b 定义了一类较为简单的奇异模型——半规则模型，并推导出了在实现参数集中非奇异点处局部学习系数的公式。这一结果为三层神经网络的学习系数给出了上界。不过在某些情况下，该评估值与已知的学习系数值存在较大差异（曲间谷 2025b，例5.2），这说明有
来源：Neural Networks
时间：2026-07-11
-
神经网络的非平衡热力学框架：一种原理性的对应关系与参数动力学
Maimaitiniyazi Maimaitiabudula|石明军|浦静文|谢坤摘要深度学习的训练过程具有高度复杂性，目前尚无统一的理论来解释参数变化及其泛化能力的本质。现有的基于物理原理的方法往往忽视能量转换和熵增等核心热力学问题，从而加剧了这一难题。为建立缺失的定量关联，本
来源：Neural Networks
时间：2026-07-11
-
通过权重分解融合为视觉语言模型注入推理能力
邹雨辰|王乐燕|赵庆红|魏一帆|李亚鹏|杜波•我们观察到，将标准的同质模型合并策略应用于异构的LLM到VLM合并时会出现失效现象，并从参数空间不匹配的角度对此进行了解释。•我们提出了一种新的权重分解合并框架，该框架能有效缓解推理注入过程中的语义冲突，避免VLM性能下降。•我们在多
来源：Neural Networks
时间：2026-07-11
-
C2LNet：通过跨模态互补学习网络融合红外图像与可见光图像
孙星宇|刘晓斌|袁静|李建宁|胡楠|王平宇
摘要
在多种模态间挖掘并融合互补信息对于红外可见光图像融合至关重要，但目前现有方法大多依赖隐式特征聚合，未能有效挖掘和保留跨模态互补性。为解决这一问题，本文提出了一种跨模态互补性学习网络（C2LNet），该网络能够同时从不同模态中挖掘
来源：Neural Networks
时间：2026-07-11
-
D2former：用于红外图像去噪的双分支差分变换器
Xiyu Cao|Feiwei Qin|Changmiao Wang|Kai Zhang|Jin Fan|Ahmed Elazab|Juan M. Gorriz|David Lopez-Garcia|Jing Bai|Xiaojiang Peng•提出了D2former，这是首个
来源：Neural Networks
时间：2026-07-11
-
用于电力线航拍图像多尺度逆向天气去除的傅里叶网络
胡斌|杨赛|李学军|戴向龙|王晓鹏|江勇|文万志|朱海荣摘要高质量的无人机航拍图像对于可靠的自主电力线路巡检至关重要。然而，雾霾、雨雪等恶劣天气条件往往会降低图像清晰度，妨碍后续分析。本文提出了一种多尺度傅里叶网络（MFNET），这是一种高效的一体化修复框架，旨在应对各种天气带来
来源：Neural Networks
时间：2026-07-11
-
基于可迁移背景对抗攻击的盲目标检测器
Jiawei Lian|Shaohui Mei|Xiaofei Wang|Yi Wang|Lefan Wang|Yingjie Lu|Mingyang Ma|Lap-Pui Chau摘要已有大量研究证明，深度神经网络容易受到对抗性扰动的影响。现有研究主要聚焦于通过破坏目标物体（物
来源：Neural Networks
时间：2026-07-11
粤公网安备 44010602000434号