• 特征-空间映射的统计学习及其受线索诱导期望的调节

  特征-空间映射规律可在视觉搜索期间被获取；行为反应显示出可靠的特征-空间概率梯度；预测线索诱发了目标出现前朝向关联高概率目标位置（HPTL）的α波侧化；预测线索增强了目标出现后HPTL的多变量脑电（EEG）解码。 **引言** 视觉系统持续不断地处理着海量的感觉输入流。鉴

  来源：Biological Psychology

  时间：2026-10-22

• 反复给雄性大鼠注射氯胺酮会导致其对水杨酸钠产生交叉耐受性，但对吗啡却不产生这种耐受性

  摘要交叉耐受性研究为了解不同镇痛药物之间的共同神经生物学基础提供了重要见解。本研究评估了反复给予亚麻醉剂量氯胺酮是否会导致对吗啡或水杨酸钠的交叉耐受性。36只成年雄性Wistar大鼠（体重180–200克，每组6只）连续8天每天接受生理盐水或氯胺酮（10毫克/千克，肌肉注射）。每

  来源：Neuroscience Letters

  时间：2026-10-22

• 青少年早期对邻里环境的负面认知会预测其杏仁核在处理负面图像和中性图像时表现出的相似性

  摘要 社区不利因素包含多种同时存在的不良条件，包括威胁和贫困，但其背后的神经机制仍不清楚。将维度框架应用于社区环境可能有助于阐明不利因素的不同特征如何影响大脑发育。在此研究中，我们使用表征相似性分析来探

  来源：Developmental Science

  时间：2026-10-22

• 面向大脑认知分析的多频带谱动态图学习

  摘要基于功能磁共振成像的动态功能连接分析对于理解认知和神经退行性疾病（如阿尔茨海默病）背后的时间变化脑网络重组至关重要。然而，大多数现有的动态功能连接建模方法主要在时域中运行，依赖于静态或弱自适应的图结构，并且在频率分辨的神经动力学方面提供的可解释性有限。这些局限性阻碍了捕捉

  来源：Neurocomputing

  时间：2026-10-22

• 通过离线深度强化学习在社交网络中实现影响力最大化

  • 固定缓冲区离线强化学习（RL）支持重复的影响最大化部署。 • 相对悲观的高智能体-批评家（Actor-Critic）机制减轻了外来数据（OOD）值的估计偏差。 • 一次性顶级解码（One-shot Top-encoding）能够实现低延迟的种子集生成。 • 在降低

  来源：Neurocomputing

  时间：2026-10-22

• PhySR-net：基于物理引导的双分支架构的水下图像子空间修复网络

  **摘要要点：** - 频率解耦的物理反演可防止严重噪声放大。 - 方差抑制注意力显式地滤除局部水下后向散射。 - 双流网络通过自适应调制处理空间不均匀退化。 - 该混合框架实现了有效可靠的水下图像增强。 --- **引言** 水下成像在广泛的科学和工业应用中发挥着不

  来源：Neurocomputing

  时间：2026-10-22

• 通过灵活的梯度缩放技术来最大化联邦 unlearning（联合反向学习）过程中的熵值

  摘要由于严格的隐私法规和模型安全要求，联合去学习（Federated Unlearning，FU）作为一种从全局模型中有效消除特定数据影响的范式应运而生。然而，现有方法难以动态解决去学习效果与全局模型效用之间的权衡问题，从而导致去学习不完全或过度去学习，这迫使人们依赖计算成本高昂

  来源：Neurocomputing

  时间：2026-10-22

• 深度学习时代的通用视觉分割综述

  • 全面回顾了通用分割领域的研究进展。 • 讨论了各种通用方法之间的差异、优势与局限性。 • 探讨了通用分割模型在两项视觉任务中的应用。 • 总结了通用分割面临的挑战，并概述了未来的研究方向。 引言 视觉分割（VS）是计算机视觉中的一项关键任务，旨在将图像或视频中的像素级

  来源：Neurocomputing

  时间：2026-10-22

• 潜在有界阶数交互作用注意力（Latent Bounded-Order Interaction Attention）

  •对于固定的m 4，受限标量空心积误差随1/budget衰减•受限定理并不能完全描述非线性LBOIA头部。•回顾性分析纠正了692个源受限的配对对比。•混合精度和测量成本限制了实际的排序优势。•路由控制不能证明乘法的因果效益。引言集合预测需要一个聚合规则，该规则在保留与目标相关

  来源：Neurocomputing

  时间：2026-10-22

• 面向鲁棒多变量时间序列预测的缺失感知谱时空图神经网络

  •提出一个在严重传感器缺失条件下的多变量时间序列预测统一框架。•引入一种感知缺失的空间-时间重建机制，自适应地将时间估计与已观测到的图邻居信息融合。•在不依赖预定义图拓扑的情况下，学习传感器间的潜在依赖关系，用于缺失值重建和频谱-时间预测。•引入一个辅助的缺失分类目标，以正则

  来源：Neurocomputing

  时间：2026-10-22

知名企业招聘：