• TFOLQ：基于神经逻辑算子与混合查询执行的时序知识图谱一阶逻辑查询

  •提出了一种面向时间知识图谱的一阶逻辑查询解答统一框架。•提出了面向时间查询的可微分且自适应的神经逻辑算子。•开发了一种混合执行策略来处理长程时间路径。引言知识图谱（KGs）是现实世界事实的结构化表示，其中实体和关系构成了带有语义标签的图。它们已被广泛应用于人工智能领域，以支

  来源：Neural Networks

  时间：2026-10-18

• 轻量级视听注意力跨感知网络用于视频显著性预测

  •我们提出了一种轻量级的视听注意力跨感知网络，用于视频显著性预测。•设计了一个视听跨感知融合（ACPF）模块，用于整合视听特征。•设计了一个多层次膨胀感知（MLDP）模块，用于增强层次化的时空特征。引言视觉注意力机制（Koch等人，2006年）使人类能够快速识别和定位复杂场景中的

  来源：Neural Networks

  时间：2026-10-18

• 一种经过验证的方法，用于培养混合神经胶质细胞系，可培养出具有反应性的小胶质细胞

  摘要小胶质细胞是中枢神经系统中的常驻免疫细胞，在维持大脑稳态中发挥着关键作用。原代细胞培养系统对于研究小胶质细胞的生物学特性至关重要，它允许在开展资源密集型的体内（in vivo）研究之前，直接评估转基因模型中的基因功能。然而，传统的混合神经胶质细胞培养衍生的原代小胶质细胞（pM

  来源：Methods

  时间：2026-10-18

• Conus tessulatus中的神经活性迷你Conotoxin分子

  •首次从食虫的海螺Conus tessulatus中分离出具有神经活性的mini-M型锥虫毒素。•ts3b和ts3c对背根节神经元有不同的影响。•ts3b在痛觉感受器中诱导不可逆的Ca2+兴奋，而ts3c则引起不可逆的阻断。•这两种肽都能导致鱼类麻痹，这表明它们可能在捕食策略中发

  来源：Toxicon

  时间：2026-10-18

• 西维司他钠可能通过失活cGAS/STING/TBK1通路抑制细胞焦亡，从而改善复苏后的脑预后

  摘要苏尼伐他汀钠（SS）已被证明能够保护重要器官免受区域性缺血刺激。我们研究了SS对心脏骤停（CA）及复苏后所致全脑缺血性脑结局的影响。将成年猪随机分为假手术组（S）、心肺复苏组（CPR）和CPR + SS组。动物接受9分钟心脏骤停（CA）后行6分钟心肺复苏（CPR）。复苏后

  来源：Neuroscience Letters

  时间：2026-10-18

• 长期乙醇暴露后大鼠阶段特异性恐惧记忆和海马突触增强损伤

  - 慢性乙醇摄入选择性损害长期恐惧表达。 - 乙醇暴露后，获得性学习和消退学习保持完整。 - 海马CA1区域早期突触增强减弱。 - 尽管突触增强减弱，去增强仍得以保持。 **引言** 酒精使用障碍与持续的学习和记忆损伤相关，这些损伤会导致认知功能障碍（Oscar-Berm

  来源：Neurobiology of Learning and Memory

  时间：2026-10-18

• 模拟微重力条件下唑吡坦诱导人脑类器官突触功能障碍与多组学改变

  摘要长期太空飞行严重扰乱宇航员的昼夜节律，导致其高度依赖唑吡坦（zolpidem）等催眠药，这是一种 GABAA 受体正向变构调节剂。然而，改变的引力矢量如何调节人类中枢神经系统精神药理学尚不明确。在此，我们建立了一个基于人诱导多能干细胞衍生脑类器官的平台，以评估模拟微重力环

  来源：Life Sciences in Space Research

  时间：2026-10-18

• 离策略强化学习中基于可约策略熵的经验回放

  **摘要** 在离策略强化学习中，经验回放在训练过程中起着至关重要的作用。传统的优先经验回放（PER）利用时间差（TD）误差作为优先级概率，对经验进行非均匀采样。然而，该方法可能会错误评估经验并选择噪声数据点。这是因为高TD误差可能意味着智能体存在高不确定性。在本文中，我们

  来源：Neurocomputing

  时间：2026-10-18

• 重建以记忆：聚类图池化中保持信息保持的重建驱动正则化

  • 我们提出了 REGPool，一种具有重构引导正则化的聚类图池化框架。 • 具有双重熵约束的 Gumbel-Softmax 采样机制增强了分配。 • 多尺度重构损失保持了特征保真度和一致性。 • 我们的方法在多个基准测试中取得了具有竞争力或更优的性能。 引言 近年来，图数

  来源：Pattern Recognition

  时间：2026-10-18

• SpecPV：通过部分验证改进长上下文生成的自推测解码

  验证开销限制了长上下文下的推测解码。 部分验证结合选择性KV状态，可实现高效解码。 周期性全量验证可防止误差累积并保持生成质量。 引言 大语言模型（LLMs）正被越来越广泛地应用于文档分析、代码生成和科学发现（例如基于结构的药物设计）[1]、[2]等。随着其应用场景的

  来源：Neurocomputing

  时间：2026-10-18

知名企业招聘：