-
从多视图图像到驾驶控制:基于场景表示的强化学习实现端到端自动驾驶
本研究提出一种端到端自动驾驶框架,通过结构化的空间表示模块将多视角图像转换为分离静态路标、动态目标和车辆状态的BEV表征,并采用增强的PPO规划模块实现感知与规划的无缝集成。结合IL预训练与RL微调的混合范式,有效提升复杂场景下的泛化能力和闭环控制性能,在CARLA和Bench2Drive基准测试中取得优于传统方法的结果。
来源:Neurocomputing
时间:2026-04-08
-
一种集成了故障模式识别的增强型多任务模型,用于剩余使用寿命(RUL)预测
剩余寿命预测、故障模式识别、半监督学习、潜在变量共享、健康指标构建
来源:Neurocomputing
时间:2026-04-08
-
评估在具有真实标签噪声的3D分割任务中自动检测标签噪声的方法
自动标签校正方法在3D数据中的应用研究,比较真实与人工噪声下的修正效果及性能。
来源:Neurocomputing
时间:2026-04-08
-
用于多变量时间序列插补的偏差校正多尺度时空网络
针对多变量时间序列缺失值填补问题,提出BMSTN框架,通过改进图卷积结构、引入多尺度时间卷积模块及轻量化门控机制,有效校正预定义图偏差并提升时空依赖建模能力,实验表明其性能优于11种基线方法且训练速度提高超30%。
来源:Neurocomputing
时间:2026-04-08
-
AutoTraj:一种用于离线元强化学习(meta-RL)中在线外数据(OOD)任务适应的自回归轨迹合成方法
离线元强化学习通过预收集多任务数据实现零样本适应,但存在静态数据覆盖不足和简单拼接政策架构不优的问题。本文提出融合超网络政策生成与自回归扩散轨迹合成的统一框架,前者通过特征提取与任务调制分离提升学习效率,后者基于条件扩散模型生成时序连贯的增强轨迹数据,二者协同实现鲁棒的任务表征学习与高效自适应控制。实验表明在稀疏奖励导航和复杂运动控制任务中,本方法显著优于现有基线。
来源:Neurocomputing
时间:2026-04-08
-
FairFU:一项通过融合结构交互和信息瓶颈来研究图比较中公平推荐机制的研究
公平推荐模型FairFU通过深度交互融合、图扰动对比学习和双路径信息瓶颈正则化,有效抑制敏感属性偏见并提升推荐性能,实验验证其优于现有方法。
来源:Neurocomputing
时间:2026-04-08
-
NCPM:一种轻量级的、基于节点感知的图神经网络通道个性化机制
图神经网络通道权重统一分配导致表征同质化问题,本文提出节点感知的通道个性化机制NCPM,通过节点级通道加权与任务自适应输出模块协同优化,缓解过平滑并增强结构表达能力。实验表明NCPM在11个基准数据集上为12种主流GNN架构提升性能,MOOC任务AUC从87.52%提升至97.36%,Wikipedia任务达98.83%。
来源:Neurocomputing
时间:2026-04-08
-
TECamba:基于传递熵的因果建模方法,用于非平稳时间序列中的异常检测
多变量时间序列异常检测面临非平稳动态挑战,现有因果方法依赖静态建模易混淆正常变异与真实异常。本文提出TECamba框架,通过自适应转移熵捕捉动态因果强度,结合门控Mamba编码器建模时变依赖演化,并设计双分支重建机制分离强弱因果模式,实现更精准的异常识别。在八大数据集验证中表现最优。
来源:Neurocomputing
时间:2026-04-08
-
基于照明引导的隐式梯度表示的低光照光场图像增强
低光光场图像增强网络IGNet通过隐式梯度表示与全局-局部特征提取模块协同工作,在提升亮度同时保留结构细节,并利用空间、角度和极线平面信息增强跨视图一致性。实验表明其优于现有方法。
来源:Neurocomputing
时间:2026-04-08
-
虐待经历与以疼痛为主要表现的肠道-大脑相互作用障碍儿童的腹痛强度及健康相关生活质量存在关联
童年逆境经历与儿童肠-脑互动相关疾病腹痛及生活质量的关系研究。通过分析120例肠-脑互动相关疾病患儿及照顾者的PEARLS量表数据,发现虐待经历(60%发生率)与7天腹痛强度(p<0.05)及健康生活质量(p<0.001)显著相关,且在控制焦虑抑郁后仍保持显著关联,而家庭挑战和社会环境因素无显著影响。
来源:Neurogastroenterology & Motility
时间:2026-04-08