• 微图案水凝胶通过调控YAP1和BRN2蛋白，影响人类大脑类器官中神经上皮组织的结构及神经发育

  •限制环境可使类器官在PC1上的转录分散减少40%以上。•曲率最大值在神经上皮中起到决定性核化作用。•人工智能增强的形态测量技术能够对97个类器官进行无偏质量控制。•限制环境通过下调YAP促进神经分化。•敲低BRN2会消除由限制环境驱动的神经上皮连续性。引言人类脑类器官的出现彻底

  来源：Biomaterials

  时间：2026-11-05

• 进行性核上性麻痹和多系统萎缩病患者认知障碍的临床相关因素：一项比较神经心理学研究

  摘要非典型帕金森综合征（AP），如进行性核上性麻痹（PSP）和多系统萎缩（MSA），其特征包括运动症状和非运动症状。尽管认知障碍是AP的核心特征，但不同AP综合征之间的认知差异尚未得到充分理解，尤其是在像印度这样的代表性不足的人群中。本研究旨在比较PSP和MSA的认知及神经心理学

  来源：Journal of Neural Transmission

  时间：2026-11-05

• DPDA：一种双路径域适应方法，用于移动机器人中的跨地形实时攻击检测

  **摘要** 基于深度学习的攻击检测方法在单一运行环境中对于移动机器人实现了高精度，但在实际跨地形场景中应用时存在显著限制。核心问题在于单一域模型无法适应不同地形之间的数据分布变化，导致将地形引起的变化错误地分类为潜在攻击。为克服这一挑战，提出了一种双路径域适应（DPDA）网

  来源：Neural Networks

  时间：2026-11-05

• DPRec：一种基于双路径偏好演化的知识图谱推荐框架，具备语义对齐功能

  摘要 尽管基于知识图的推荐系统最近取得了显著进展，但仍存在几个关键挑战。首先，大多数现有方法将用户偏好视为静态的，未能捕捉它们随时间的语义演变。其次，许多图神经网络模型依赖于统一的关系聚合，忽略了语义重要性的差异，增加了过度平滑的风险。此外，现有的对比学习方法主要通过随机扰动

  来源：Neural Networks

  时间：2026-11-05

• 统一的全球自适应锚图学习与分解方法，用于不完整多视图聚类

  •UGA2GLF 将自适应锚点学习和图分解技术统一应用于 IMVC（多视图聚类）。•具有缺失感知能力的自适应损失能够抑制噪声和不可靠的观测数据。•MM-BCD 求解器结合稀疏单纯形投影技术，实现高效的更新。•八项基准测试表明，在数据缺失的情况下，该方法具有较高的准确率和良好的可扩

  来源：Neural Networks

  时间：2026-11-05

• MSIFN：一种基于多源信息融合网络的双空间约束少样本分类模型

  • 依赖单一辅助信息源无法捕捉到全面的视觉概念。• 整合多种来源的信息能够提升小样本学习的效果。• 语义引导的多源信息交互有助于抑制背景杂乱。• 对融合特征施加的视觉和语义约束能够确保类别内部的紧凑性。 引言 深度学习在图像分类方面展现了显著的成效，这很大程度上依赖于大规模标注

  来源：Neural Networks

  时间：2026-11-05

• 神经网络中的单调性约束：综述与未来研究方向

  • 提出了一种神经网络中单调性约束的分类体系。• 系统地研究了不同单调性策略之间的设计权衡。• 一个统一的协议用于评估不同方法的性能和单调性。• 结果确定了具有竞争力的方法、权衡以及实际限制。 引言 在过去的十年中，神经网络的进步极大地改变了人工智能（Abdi, Valenti

  来源：Neural Networks

  时间：2026-11-05

• STMH-Xception：一种用于鲁棒水下声学目标识别的序列式多头残差学习方法

  • 提出STMH-Xception以实现鲁棒的水下声学目标识别。• 顺序多头残差学习有助于减轻联合多头优化中的头部间梯度冲突。• 将ShipEar基准任务的准确率提高到73.10%，DeepShip基准任务的准确率提高到76.14%。• 该设计对各种CNN骨架均具有提升效果。

  来源：Neural Networks

  时间：2026-11-05

• DeCITS：利用深度对比学习进行的不完整时间序列聚类

  •该研究提出了一种深度对比型不完整时间序列聚类方法。•它引入了一种对抗策略来区分真实值和推断值。•它在聚类层面实现了对比方法。•该模型可以同时优化推断和聚类过程。•实验结果证明了该方法的优越性。引言时间序列在多个领域中扮演着重要角色，如金融市场预测（Barazandeh等人，20

  来源：Neural Networks

  时间：2026-11-05

• 基于后验误分类率的自适应复合邻居过采样算法用于不平衡数据学习

  摘要： 类别不平衡指的是各个类别之间的样本数量存在显著差异，这可能会妨碍少数类别的学习并降低分类性能。现有的过采样方法通常依赖于固定大小的邻域进行线性插值，使得样本生成对边界样本和噪声样本敏感。因此，我们提出了基于后验误分类率引导的自适应复合邻居合成少数类过采样技术（RAN-SM

  来源：Neural Networks

  时间：2026-11-05

知名企业招聘：