• VCING评分与白质小动脉硬化在未经筛选的老年脑队列中与痴呆状况及白质损伤的相关性研究

  摘要 引言 血管疾病与晚年痴呆及其他健康问题相关，并且常常与神经退行性疾病共存。可以观察到多种复杂

  来源：Neuropathology and Applied Neurobiology

  时间：2026-05-27

• 通过相位-幅度耦合确定癫痫发作起始区域

  陆俊峰|王登海|孔丹丹|孟坤英|张瑞|万红|陈明明•通过计算耐药性癫痫（DRE）患者的调制指数（MI）基相位-幅度耦合（PAC）强度，本研究揭示了癫痫发作区（SOZs）与非癫痫发作区（NSOZs）之间的神经相互作用存在显著差异。•MI分布特征能够实现准确的癫痫发作区识别，其性能取

  来源：Neural Networks

  时间：2026-05-27

• 与悲伤情绪处理相关的θ波振荡模式将自杀企图与抑郁症患者的童年创伤联系起来：来自脑磁图（MEG）的证据

  摘要重度抑郁症（MDD）是一种严重的情绪障碍，其发病与遗传因素和环境因素相互作用有关。具有童年创伤（CT）背景的亚型患者自杀企图（SA）的发生率较高。杏仁核（AMY）和内侧前额叶皮层（mPFC）在情绪处理过程中起着关键作用，这些区域的调节异常被认为是CT和SA的病理生理特征。然而

  来源：Translational Psychiatry

  时间：2026-05-27

• JointRel：结合关系信息传递的联合语义嵌入方法，用于知识图谱补全

  张云农|黄家双|丁卫平|徐敏摘要知识图谱补全（KGC）旨在通过学习图谱信息来预测缺失的尾部或头部实体。然而，大多数研究侧重于实体语义的准确表达，而忽略了边特征。这导致实体和关系的语义表达失衡，限制了知识图谱的应用范围。为此，我们提出了一种结合关系信息传递（JointRel）的联合

  来源：Neural Networks

  时间：2026-05-27

• 帕累托最优估计与政策学习：平衡短期与长期结果

  王英荣|吴安鹏|李浩轩|刘伟明|李宝红|苗巧薇|熊若轩|吴飞|匡坤摘要在精准医疗和个性化推荐等高风险领域，优化治疗方案或政策需要在对即时收益和长期结果之间进行谨慎权衡。然而，这些目标往往存在内在的权衡——例如，过高的药物剂量可能会加速短期康复，但会导致严重的长期副作用。现有方法难

  来源：Neural Networks

  时间：2026-05-27

• XAI-DTBD：图神经网络中基于动态阈值的可解释性后门检测方法

  阿迪尔·艾哈迈德（Adil Ahmad）|安瓦尔·沙阿（Anwar Shah）|穆罕默德·阿德南（Muhammad Adnan）|周元（Chau Yuen）摘要在神经网络中检测后门是一种新兴的研究领域，其中通过注入后门触发器来改变模型的输出。例如，通过修改某些节点的特征和结构来在

  来源：Neural Networks

  时间：2026-05-27

• 基于兴趣引导的知识迁移的跨域序列推荐

  李旭婷|王少青|王燕|杨浩然|孙福珍摘要跨域序列推荐（CDSR）通过利用辅助领域中的信息来缓解目标领域的数据稀疏问题，从而获得了广泛关注。然而，大多数现有的CDSR方法未能有效地将领域不变知识整合到特定领域的模型中。此外，它们往往忽略了跨域场景中用户兴趣的多样性和领域特异性，这可

  来源：Neural Networks

  时间：2026-05-27

• 在带有交互项的四元数值惯性神经网络中，通过新颖的广义时变延迟引理和一范数方法实现投影同步与功能投影同步：应用于安全通信

  Vaibhav Agrawal|Ahindra Sarkar|Subir Das|Vineet Kumar Singh摘要本研究探讨了具有广义延迟的四元数值惯性神经网络（QVINNs）中的投影同步（PS）和函数投影同步（FPS）问题。提出了一种基于广义延迟的引理来建立同步判据，并

  来源：Neural Networks

  时间：2026-05-27

• CollDTI：基于双编码器的协同学习方法用于药物-靶点相互作用预测

  李万晨|徐俊林|孟亚杰|程勋坤|叶莉|姜银辉|金书婷•CollDTI结合了内在特征编码器、邻居特征编码器和相似性编码器，用于多源嵌入。•跨模态融合将拓扑结构和分子特征联系起来，以实现宏观-微观学习。•多模态融合与混合学习方法非常有效。•在多种基准测试、t-SNE视图以及新颖的DT

  来源：Neural Networks

  时间：2026-05-27

• 模糊强化学习在随机动态网络中的同步：一种自适应的事件触发策略

  Jiayi Cai|Jianwen Feng|Jingyi Wang|Chengbo Yi|Guanrong Chen摘要本研究探讨了如何通过模糊强化学习（FRL）在具有时间延迟的随机动态网络中实现最优同步控制的问题，该方法基于一种新颖的事件触发策略。传统上，最优控制是通过求解哈

  来源：Neural Networks

  时间：2026-05-27

知名企业招聘：