• 基于图信息瓶颈的噪声自适应双向节点-边流自监督方法

  图卷积网络（GCN）推动了图表示学习的重大进展，然而现有方法仍依赖单向节点-边信息流，忽视高阶全局结构，并易受噪声或伪连接干扰导致嵌入失真。现实世界图常表现出动态噪声模式和复杂的节点、边依赖关系，当前模型未能联合捕捉这些特征，从而在扰动下性能脆弱。为解决这些问

  来源：Journal of Computational Science

  时间：2026-05-25

• 面向增强型24小时太阳能预报的多源数据混合云量-辐照度建模

  准确的太阳辐照度预报对于优化光伏（Photovoltaic, PV）能源集成、提升电力市场参与度以及降低日内交易中的不平衡成本至关重要。然而，现有方法往往依赖单一数据源、昂贵的实时信息或公共数据库的低频更新，限制了其有效性。为解决这些挑战，研究人员提出了一种系

  来源：Array

  时间：2026-05-25

• 面向异构基准数据集的轻量级一维卷积神经网络恶意网络流量检测

  随着高级网络威胁的不断涌现，亟需自动化且计算优化的系统以实现大规模网络恶意流量的识别。现有深度学习入侵检测平台通常存在显著的参数开销，且鲜有同时解决高维表格流特征与极端类别不平衡双重挑战的统一框架。研究人员提出了一种一维卷积神经网络(1D CNN)，可直接处理

  来源：Array

  时间：2026-05-25

• 棒球投球后，冲击疗法和冰敷疗法对肩部力量及感觉运动功能的急性与延迟恢复效应

  摘要 通俗语言摘要 黄T-H、刘C、福克斯PX和向T-Y研究了冲击疗法和冰敷疗法对棒球投球后肩部力量和感觉运动功能的急性及延迟恢复效果。J Strength Cond Res XX(X): 00

  来源：The Journal of Strength & Conditioning Research

  时间：2026-05-25

• 捕捉注意漂移：脑电图微状态动力学类似于任务持续时间增加过程中走神与持续性注意的变化

  持续聚焦对于有效的目标导向行为至关重要。然而，随着持续性注意任务的拖延，走神的发生会增加。近期研究提示，这种走神增加对应于反应时变异性的升高以及随任务持续时间增加而出现的准确性下降。关于大尺度脑动力学如何在相似时间尺度上展开，目前所知相对有限。脑电图微状态（E

  来源：Cognitive Neuroscience

  时间：2026-05-25

• DynEC：基于多视图图神经网络的非侵入式电力用户负荷动态演化聚类方法

  摘要：随着发-输-配-储系统的深度融合，电力需求侧呈现出高度动态性与随机性，这挑战了传统用户行为在时间维度保持平稳性的假设。静态聚类模型因此易受日常噪声干扰并产生虚假的用户身份切换现象。本研究提出了一种名为动态演化聚类（Dynamic Evolutionary

  来源：Frontiers in Artificial Intelligence

  时间：2026-05-25

• 自主、心血管及呼吸指标在恢复期的水合与非水合状态下数学整合分析

  摘要 加速运动后的自主神经、心血管及呼吸系统恢复是运动科学与临床康复的重要目标，液体摄入是常见的干预策略之一。然而既往研究多孤立评估单一系统的恢复情况，缺乏多系统整合行为的综合分析。本研究旨在采用数学整合方法，评估青年活跃男性在完成中等强度有氧运动后，伴或不伴

  来源：Sport Sciences for Health

  时间：2026-05-25

• 通过ATR-FTIR结合化学计量学和机器学习方法，区分中度创伤性脑损伤（TBI）中的损伤类型并估算损伤后的恢复时间间隔

  Jiantao Li|Shuo Wu|Jianliang Luo|Yudong Qin|Gengwang Hu|Haobin La|Haoxin Wang|Zhen Wei|Lulu Sha|Taiming Fan|Jiayu Xie|Jian Yang|Qinru Sun中国陕

  来源：Vibrational Spectroscopy

  时间：2026-05-25

• 一种新颖的混合物理数据驱动的编码器-解码器模型，用于风力涡轮机尾流预测

  毛坤叶|韩桥汉|明秋刘|德成万|穆斯塔法·阿卜杜勒-马克苏德•提出了一种基于物理数据和神经网络的混合式尾流预测框架。•设计了一种基于物理特性的轻量级注意力机制，用于根据局部尾流特征对特征进行加权。•在远尾流区域预测（4D–14D）方面实现了高预测精度和时间稳定性。•该框架为实时风

  来源：Ocean Engineering

  时间：2026-05-25

• 在图神经网络中整合多种图特征以进行水位预测

  张若静|孙菊|姚正丽•基于水文关联、皮尔逊相关系数和动态时间规整（DTW）方法构建了三种不同的图结构，以深入挖掘水文站之间的关联关系。•对每种图结构分别应用切比雪夫图卷积（ChebConv）进行空间特征提取，提高了捕捉水文数据特征的能力。•融合多图时空图神经网络（FMG-TGNN

  来源：Journal of Hydrology

  时间：2026-05-25

知名企业招聘：