• SACS基因中的p.Arg272His热点突变扩展了ARSACS相关的神经发育和认知障碍谱系

  摘要Charlevoix-Saguenay常染色体隐性痉挛性共济失调（ARSACS）是一种罕见的神经退行性疾病，由基因的致病性变异引起。虽然传统上该疾病以运动症状三联征为特征，但新的证据表明其表型谱较广，包括显著的认知功能障碍。我们描述了一名16岁的西西里女性患者，她的父母为近亲

  来源：Neurogenetics

  时间：2026-09-02

• 尼洛替尼通过调节 NF-κB 信号通路，并增强 BAG3 依赖性的聚集物自噬及 ESCRT-III 介导的质膜修复，在小胶质细胞中减弱 NLRP3 炎症小体激活和 GSDMD/NINJ1 介导的细胞焦亡

  •尼洛替尼是一种第二代酪氨酸激酶抑制剂，具有新兴的神经保护和免疫调节特性。•尼洛替尼在实验模型中显示出有前景的效果，通过减轻神经炎症反应。•尼洛替尼通过调节 IκBα-NF-κB 信号通路，抑制 NLRP3 炎症小体激活和 GSDMD/NINJ1 介导的焦亡。•尼洛替尼可能增

  来源：Journal of Neuroimmunology

  时间：2026-09-02

• SFMambaSR: 用于晶圆图像超分辨率的空频增强 Mamba 网络

  摘要晶圆缺陷检测对良率和可靠性至关重要，但缩小的缺陷尺寸要求更高的成像分辨率。虽然高倍光学镜头能提供分辨率，但其狭窄的视场限制了检测效率。为了平衡精度和吞吐量，我们提出了一种解决方案，通过超分辨率算法从大视场低倍捕获中重建高分辨率晶圆图像。该方法可以在不影响准确性的情况下提高

  来源：Neural Networks

  时间：2026-09-02

• 面向 V-D-T 显著目标检测的基于状态空间模型的轻量级注意力感知融合网络

  •我们提出了 LAANet，用于可见光 - 深度 - 热成像显著性目标检测。 •CMFM 专为具有线性复杂度的高效跨模态交互而设计。 •引入 APFM 以克服状态空间模型的内存限制。 •轻量级解码块 (LDB) 仅使用 0.37M 参数进行重建。 •LAANet 在 VDT2

  来源：Neural Networks

  时间：2026-09-02

• DRE：一种在开放域对话评估中集成小语言模型和大语言模型的有效双重精炼方法

  •我们探索和分析了各种方法，包括基于硬约束的方法（SLIDE 算法）和自学习约束机制（DRE 算法），以将特定任务知识从 SLMs 转移以减轻幻觉问题，从而提高 LLM 性能。据我们所知，这是首个旨在通过这种双细化过程增强 LLMs 在评估开放域对话中性能的方法。 •我们采用

  来源：Neural Networks

  时间：2026-09-02

• 后门植入合理化加强版

  •据我们所知，这是第一项研究解释模型在后门攻击下鲁棒性的工作。我们发现，由于选择可解释理由的结构，解释模型对传统的朴素后门攻击表现出出人意料的鲁棒性。•我们提出了一种专为解释模型设计的新型后门攻击方法，包括操纵数据投毒策略和改进的训练策略。我们发现投毒数据比干净数据复杂度更低

  来源：Neural Networks

  时间：2026-09-02

• 通过过采样和属性补全实现异构图神经网络

  摘要 异构图神经网络（HGNNs）作为一种强大的方法，已经广泛应用于异构图的建模。然而，图数据中常常存在属性缺失的问题，这对HGNNs带来了显著的挑战。现有的方法主要集中在属性补全上，而忽视了类别不平衡的影响，从而限制了它们的有效性。为了解决具有类别不平衡的属性缺失异构图问题，我

  来源：Neural Networks

  时间：2026-09-02

• 基于多层次个性化感知与教师-学生语义蒸馏的知识追踪增强

  • 提出了一种新颖的知识追踪框架，将个性化建模与知识蒸馏策略相结合。 • 设计了三个个性化模块，以捕捉问题理解、概念关联和记忆衰退方面的个体差异。 • 通过蒸馏从大语言模型（LLMs）转移能力，增强轻量级模型的语义表示。 • 展示了在多个基准数据集上预测性能和模型泛化能力的持

  来源：Neural Networks

  时间：2026-09-02

• 面向二维时间分数阶反应扩散问题的半解析分数阶神经网络框架

  摘要 在本研究中，我们提供了基于 Adomian 分解法的神经网络方法针对二维时间分数阶反应扩散初始边界值问题的收敛性，其中时间分数阶导数是在 Caputo 意义下考虑的。我们提出了在时间分数阶导数半离散化后，Adomian 分解法（ADM）与物理信息神经网络（PINN）的合

  来源：Neural Networks

  时间：2026-09-02

• 基于相似性的状态注意力机制在视觉强化学习中的应用

  **摘要** 视觉强化学习（VRL）旨在从高维观测中提取有效的视觉信息，以优化决策策略。尽管现有的VRL方法通过数据增强和辅助任务在各种控制任务中取得了显著进展，但智能体仍容易受到冗余信息和不相关因素的干扰，导致过拟合和在未见环境中的泛化能力下降。为了解决这一挑战，我们提出了一

  来源：Neural Networks

  时间：2026-09-02

知名企业招聘：