-
美国与儿童肠道-大脑相互作用疾病相关的医疗支出
本研究利用2017-2022年美国医疗支出调查数据,分析了18岁以下儿童肠道-脑相互作用障碍(DGBI)的医疗支出。结果显示,DGBI患儿年均医疗支出达5217美元,较无DGBI患儿多2587美元,总支出约20.8亿美元。研究强调早期诊断和有效治疗对减轻公共健康和经济负担的重要性。
来源:Neurogastroenterology & Motility
时间:2026-03-09
-
失认症与视觉工作记忆:没有直接证据表明失认症患者在视觉工作记忆方面存在障碍,无论是在行为表现上,还是在多体素模式分类器的准确性上
本研究通过三个实验探讨无意识想象者(phantasia)的视觉工作记忆差异,发现其在行为表现和神经激活模式上均无显著差异,提示phantasia可能涉及意识层面的差异而非视觉表征能力缺失。
来源:Neuropsychologia
时间:2026-03-09
-
用于多模态人工智能生成内容的隐私保护与零样本检测策略
多模态生成内容检测面临语义不一致、模型泛化不足及隐私泄露三大挑战,本文提出STRIKE框架通过分层推理机制实现跨模态语义对齐,结合流形偏差度量提升零样本检测能力,并采用联邦学习架构保障隐私。实验表明检测AUC超92%,准确率保持85%以上。
来源:Neurocomputing
时间:2026-03-09
-
一个动态的多尺度时空融合异常检测网络
针对多变量时间序列异常检测中动态依赖建模不足、计算效率低和噪声鲁棒性差的问题,本文提出动态多尺度时空融合异常检测网络(DMSTF-ADN),通过双流时序卷积网络(DSTCN)捕捉局部和全局时序特征,动态因果图卷积模块(DCGCM)建模多变量动态交互,结合概率投影离散主成分分析(PPD-PCA)实现高效异常检测与数据修正。实验表明DMSTF-ADN在6个数据集上表现优异,MBA数据集PRC-AUC达99.56%,F1-score为99.14%。
来源:Neurocomputing
时间:2026-03-09
-
图增强型曼巴模型:利用选择性状态空间和图神经网络实现高效的空间时间序列建模
多变量时空预测中,提出图增强的Mamba(G-Mamba)模型,通过动态邻接矩阵与静态拓扑结合,在选择性状态空间模型中注入空间邻域信息,并采用时空门融合机制协调时空特征交互。实验表明其相比Transformer模型在长预测时误差增长更缓,且通过结构正则化提升鲁棒性。
来源:Neurocomputing
时间:2026-03-09
-
CQNAS:用于图像分类的卷积量子混合神经网络架构搜索
提出一种结合经典卷积神经网络和量子电路的混合架构CQNAS,通过自动架构搜索优化量子门布局和纠缠策略,在MNIST、CIFAR-10等数据集上验证其有效性,显著优于传统方法。
来源:Neurocomputing
时间:2026-03-09
-
NeuroPatch:一种基于神经元级修复技术的轻量级扩散模型修复方法,用于缓解后门攻击
提出NeuroPatch框架,通过定位并修补受后门影响的少数神经元,无需修改模型参数即可有效缓解扩散模型中的后门攻击,显著降低修复成本并保持生成性能。
来源:Neurocomputing
时间:2026-03-09
-
DHS-ViG:一种动态分层选择性图模型,用于实现全面且鲁棒的特征感知
动态分层选择视觉图卷积网络通过自适应邻居连接和低层语义适配器提升多尺度特征融合能力,在ImageNet上达到79.2%准确率。
来源:Neurocomputing
时间:2026-03-09
-
用于部分多视图不完整多标签分类的概率不确定性感知表示网络
多视图多标签分类中,PURN模型通过变分自编码器(VAE)建模视图级不确定性,结合置信度调整的专家乘积模块(CA-PoE)优化多视图融合,以及基于困难负样选择(HNACL)的对比学习增强区分度,有效缓解缺失视图和标签带来的数据 incompleteness问题。
来源:Neurocomputing
时间:2026-03-09
-
CBFSIM:一种基于社区的、分为四个阶段的框架,用于识别社交网络中的关键传播者
影响力最大化问题在社交网络推广、疾病控制等领域有广泛应用,但传统贪心算法存在计算复杂高、易陷入局部最优的问题。本文提出社区感知四阶段框架CBFSIM,首先通过节点相邻区域结构和节点间简单闭合结构构建相似性矩阵,划分网络社区以降低计算复杂度;其次选取社区核心节点和桥梁节点形成候选种子集;接着结合本地和全局影响力阈值筛选种子;最后设计自适应策略和改进适应度函数确定最优解。实验表明CBFSIM在种子分散性、敏感性及影响力传播等方面优于十种基线方法。
来源:Neurocomputing
时间:2026-03-09