-
IGF2BP2通过m6A修饰稳定SLC39A14 mRNA以促进脑缺血再灌注损伤中的铁死亡
•SLC39A14 在 CIRI 中显著上调并驱动神经元铁死亡。•在 CIRI 模型中敲低 SLC39A14 可缓解铁过载、脂质过氧化、神经元死亡和神经功能缺损。•m6A 读取蛋白 IGF2BP2 直接结合 SLC39A14 mRNA,增强其稳定性并上调 SLC39A14 表
来源:Archives of Biochemistry and Biophysics
时间:2026-09-10
-
综述:从硅到突触:为什么人工单元不是一种神经元
生物神经元与人工单元在本质上不同,而非程度上有别。神经元是自我维持的生命过程;单元则是矩阵中的一个数字。这些差异是组织性的,贯穿神经元、环路和大脑三个层次。自构性存在无法被近似,只能被模型所表征。用"神经元"隐喻取代人工单元的概念,有助于改进对大语言模型能力的评价与界定方式。
来源:Neuroscience & Biobehavioral Reviews
时间:2026-09-10
-
神经计算作为基于测度的算子理论学习
摘要
本文将神经计算定义为作用在函数和测度上的算子的有限维表示。密集层、卷积、注意力机制、图网络、神经场和神经算子被视为基于核的变换的实例,这些变换通过采样、投影、求积或基函数截断等方法进行评估。目的是将学习的算子与用于计算它的特定数组表示分开。这种分离使得架构设计成为一个近
来源:Neural Networks
时间:2026-09-10
-
综述:听觉纹状体在感觉门控和知觉决策中的作用
听觉纹状体整合听觉信息以支持听觉引导的选择。
直接通路和间接通路对听觉决策做出不同的贡献。
多巴胺调节听觉辨别和相关处理。
自上而下的信号和多巴胺能信号可能共同塑造听觉选择。
纹状体回路失调为耳鸣相关过度增益提供了可检验的框架。
引言
动物不断地在复杂的感官环境中穿行,其
来源:Neuroscience & Biobehavioral Reviews
时间:2026-09-10
-
MFAFNet:用于域泛化水下目标检测的多尺度频率自适应融合网络
摘要在未知水下环境中进行水下目标检测(UOD)仍然面临挑战,因为域依赖的图像退化会导致特征表示不稳定,并大幅降低跨域泛化能力。为了解决这一问题,我们提出了MFAFNet,一种用于域泛化水下目标检测的端到端多尺度频率自适应融合网络。MFAFNet由三个互补组件组成,逐步增强、提
来源:Neural Networks
时间:2026-09-10
-
VLG-RMOT:用于端到端指称多目标跟踪的先校准后控制方法
**摘要**
指称多目标跟踪(RMOT)旨在检测并跟踪视频中所有满足自然语言描述的物体。端到端RMOT依赖物体查询进行检测、关联和时序更新,因此语言必须同时充当对齐线索和用于控制演化查询的信号。现有方法在视觉-语言融合和查询交互方面取得了进展;然而,仅靠对齐并不能确保语言信
来源:Neural Networks
时间:2026-09-10
-
PDMark:扩散模型的合情合理可否认水印
扩散模型水印已成为 AI 生成内容版权保护和溯源追踪的一项重要技术。然而,大多数现有方法依赖于确定性提取,即一旦拥有相应的密钥或提取器,嵌入的水印就被期望被揭示。这种设计在胁迫披露下会成问题,因为披露水印可能会暴露敏感的身份或溯源信息。本文提出 PDMark,一种面向扩散模型
来源:Neural Networks
时间:2026-09-10
-
面向红外小目标检测的背景感知解耦与多粒度融合重建方法
摘要
在红外小目标检测(IRSTD)任务中,由于小目标尺寸微小、像素稀疏,且其特征与复杂背景纹理高度相似,因此难以进行区分。现有检测方法普遍采用多层下采样,直接从红外图像中提取小目标特征。然而,下采样过程中的像素合并与丢弃会降低特征图分辨率,导致小目标像素被平滑、掩盖甚至丢
来源:Neural Networks
时间:2026-09-10
-
受非对称输入约束和未知动力学限制的随机系统事件触发强化学习安全控制
摘要
本文研究了通过自适应动态规划(ADP)和广义模糊双曲模型(GFHM)对输入受约束的未知随机系统进行安全最优控制(SOC)。首先,采用 GFHM 来近似随机系统的未知非线性项,从而无需精确的系统建模。其次,开发了一种修正的非二次值函数来解决不对称输入约束(AICs)问题,
来源:Neural Networks
时间:2026-09-10
-
基于联合锚点重构和张量二部图学习的单阶段不完整多视图聚类
摘要
多视图数据的固有不完全性给传统聚类方法带来了重大挑战,尤其是那些基于二部图构建的方法。尽管现有方法通过改进图结构取得了显著进展,但它们往往忽视了锚点质量对整体聚类性能的决定性作用。为了解决这一局限性,我们提出了一种基于联合锚点重构和张量二部图的单阶段不完整多视图聚类方法
来源:Neural Networks
时间:2026-09-10