• 基于多任务深度学习与合成图案生成的光刻热点检测增强方法

  随着集成电路特征尺寸的不断缩小，光刻工艺面临的挑战日益严峻。在芯片制造过程中，某些布局区域容易产生制造缺陷，这些区域被称为"光刻热点"。传统的热点检测方法如光刻仿真和基于规则的图案匹配，不仅计算量大，而且难以识别新型热点图案。虽然机器学习方法展现出潜力，但在检测"真正从未见过"的热点和降低"难分类图案"误报率方面仍存在明显不足。针对这些挑战，来自德克萨斯大学达拉斯分校的研究团队在《IEEE Open Journal of the Computer Society》上发表了一项创新研究，提出了一种结合合成图案生成和多任务深度学习的新框架。该研究旨在解决现有方法在泛化能力和误报控制方面的局限性，为

  来源：IEEE Open Journal of the Computer Society

  时间：2025-11-13

• 轻度至中度创伤性脑损伤的军人及退伍人员的康复结果

  本研究聚焦于退伍军人和现役军人（SM/Vs）在参与美国退伍军人事务部（VA）的多中心住院康复项目后，与轻度至中度创伤性脑损伤（TBI）相关症状的变化情况。研究时间跨度为2022年7月1日至2024年5月30日，旨在评估这一康复项目对TBI症状的改善效果，并探讨其在6个月随访期内的持续性。通过分析基线、出院及随访阶段的数据，研究团队希望揭示住院康复对TBI患者多方面症状的干预效果，并为相关医疗政策提供支持依据。### 研究背景与意义创伤性脑损伤在现役军人和退伍军人群体中是一个常见的健康问题，尤其是在部署和战斗环境中。根据研究数据，部署军人中TBI的发病率高达3,265例每10万人，而大多数TBI

  来源：Medical Care

  时间：2025-11-13

• MDFP-Net：基于模型驱动深度展开网络的傅里叶叠层成像超分辨率重建新方法

  在计算成像领域，傅里叶叠层成像(Fourier ptychography, FP)作为一种新兴的技术，通过合成孔径成像和相位检索的结合，突破了光学衍射极限，能够实现超分辨率成像。然而，传统的FP重建方法面临着严峻的挑战：复杂的退化过程、高昂的计算成本以及对系统误差的敏感性，这些都限制了其在实际应用中的效果。传统FP方法基于交替投影(AP)算法、Wirtinger流优化(WFP)等，虽然在一定程度上有效，但需要数百次迭代计算，耗时严重。更重要的是，这些手工设计的算法难以有效处理图像噪声等系统误差。近年来，深度学习方法的引入为FP带来了新的希望，如PtychNet、U-Net、cGAN等网络在重建

  来源：Computational Visual Media

  时间：2025-11-13

• 采用对比提示重新定义的结构图预训练方法用于假新闻检测

  摘要：在社交媒体上检测虚假新闻对于净化网络环境和保护公共安全至关重要。许多现有方法通过图神经网络（GNNs）来探索新闻传播结构，以确定新闻的真实性。端到端的监督式GNNs通常依赖于大量的标签数据。最近，自监督图预训练成为一种有前景的解决方案，以减少对标签的依赖。然而，图预训练在虚假新闻检测中的应用仍然面临两个挑战：1) 新闻传播结构中缺失和不可靠的交互关系严重影响了预训练的效果；2) 由于优化目标不一致，预训练与下游虚假新闻检测任务之间存在固有的差距，这阻碍了预训练知识的有效迁移，导致检测结果不佳。为了解决上述两个挑战，我们提出了RGCP（Redefined Graph Pretraining

  来源：IEEE Transactions on Computational Social Systems

  时间：2025-11-13

• 多层时空网络的图表示学习在股票预测中的应用

  摘要：准确的股票市场预测对于寻求显著利润的投资者至关重要。随着经济活动的增加，上市公司之间的各种相互关系对于做出准确预测变得非常重要。这些关系可以表示为复杂的金融网络，有助于开发有效的图神经网络（GNN）预测方法。然而，目前基于GNN的股票预测方法通常依赖于单一的静态网络表示，这无法捕捉金融市场固有的动态和多方面的关系。在本文中，我们提出了多层时空图神经网络（MST-GNN）来模拟股票之间复杂且不断变化的互动。MST-GNN框架采用了一种新颖的时空跨层高阶融合机制，包括两个关键组成部分：时空邻域聚合和跨层高阶特征融合。这些组件使模型能够有效捕捉股票的时间演变和跨网络特征互动。我们在中国A股市场

  来源：IEEE Transactions on Computational Social Systems

  时间：2025-11-13

• 基于双重社会视角的增强对比学习方法在社交推荐中的应用

  摘要：社会推荐（SocialRS）利用用户的社交信息来提升推荐性能，因此受到了越来越多的关注。图神经网络（GNNs）有助于将用户偏好和社交特征整合到SocialRS中。然而，现有技术面临两个挑战：1）现实世界社交网络中固有的稀疏监督信号和噪声问题；2）当前的社会推荐方法忽略了用户偏好和社交属性的异质性，这阻碍了从社交网络中提取与偏好相关的信息。受到社交增强和对比学习方法的启发，我们提出了一种基于双重社交视图对比学习的社会推荐模型DSVC。具体来说，为了解决第一个挑战，我们的模型推导出了用户在不同增强社交视图下的一致性因素，这些因素用于识别抗噪声的用户，并剔除与偏好无关的社交关系。为了解决第二个

  来源：IEEE Transactions on Computational Social Systems

  时间：2025-11-13

• 一个全面的多模态框架，用于优化社交媒体话题标签推荐

  摘要：在社交媒体这个动态的领域中，策略性地使用标签（hashtags）已成为提高内容被发现率和用户参与度的关键工具。本研究介绍了神经符号对比框架（NSCF），这是一种创新的方法论，旨在解决自动标签推荐中固有的多方面挑战，例如多模态数据的整合、内容的上下文敏感性以及社交媒体趋势的动态性。通过结合深度学习的表示能力与符号人工智能（AI）的演绎能力，NSCF能够生成具有上下文相关性和逻辑一致性的标签建议。其双流架构通过对比学习精心处理和协调文本与视觉内容，确保对多模态社交媒体数据的全面理解。该框架的神经符号集成利用了结构化知识和逻辑推理，显著提升了推荐的相关性和一致性。在MM-INS、NUS-WID

  来源：IEEE Transactions on Computational Social Systems

  时间：2025-11-13

• 柔性电极技术革新：推动脑机接口从实验室迈向商业化的关键突破

  当科幻照进现实，用"意念"控制外部设备已不再是天方夜谭。脑机接口(BCI)技术作为连接人类大脑与外部设备的关键桥梁，正悄然改变着医疗康复、人机交互等领域的未来图景。然而，这项看似前景无限的技术却面临着严峻挑战——作为信号采集"前线哨兵"的电极，其长期稳定性、信号质量和生物相容性等问题，始终是制约BCI从实验室走向大规模商业应用的瓶颈。在IEEE Transactions on Computational Social Systems最新发表的研究中，来自北京理工大学和香港城市大学的科研团队深入探讨了柔性电极如何成为推动BCI商业革命的关键催化剂。研究表明，电极作为神经信号的 transduce

  来源：IEEE Transactions on Computational Social Systems

  时间：2025-11-13

• 通过视觉分析探索神经架构搜索空间 [应用说明]

  摘要：深度神经网络是推动人工智能（AI）加速发展的关键力量。然而，基于手动模型架构设计的传统方法由于其固有的低效率和可扩展性限制，似乎无法满足各种现代应用的需求。近年来，神经架构搜索（NAS）方法的出现为自动寻找最优模型架构提供了新的可能性。NAS基准测试的兴起也为NAS过程中高昂的评估成本问题提供了有效的解决方案。然而，一个重要的挑战仍然存在：大多数现有的NAS方法无法对基准搜索空间中发现的优秀模型架构进行解释。鉴于可视化分析方法在可解释AI领域的广泛应用，本文提出了一种可视化分析框架，以促进对NAS基准测试中所示搜索空间的交互式探索。该框架旨在帮助提取模型架构与性能指标之间的潜在关系。此外

  来源：IEEE Computational Intelligence Magazine

  时间：2025-11-13

• 模糊系统六十载：FUZZ-IEEE 2025会议聚焦可解释人工智能与混合智能决策新前沿

  当人工智能系统在医疗诊断、自动驾驶等关键领域扮演越来越重要的角色时，其决策过程的"黑箱"特性却成为制约发展的瓶颈。如何让机器在复杂环境中做出既精准又可解释的判断？这正是2025年7月6日至9日在法国兰斯举行的IEEE模糊系统国际会议（FUZZ-IEEE 2025）聚焦的核心议题。恰逢模糊集理论诞生60周年，这场盛会吸引了来自39个国家的274名学者，共同探讨模糊逻辑在新时代人工智能中的独特价值。会议论文征集呈现出质量并重的特点：共收到309篇投稿，经过严格的双盲评审，最终接受155篇常规论文（接受率50.1%）、23篇短文、3篇最新进展报告和5篇期刊转会议论文。所有录用论文均以口头报告形式呈现

  来源：IEEE Computational Intelligence Magazine

  时间：2025-11-13

• 面向可持续人工智能的跨范式融合与治理挑战——IEEE计算智能学会前沿展望

  当2025年冬季来临之际，IEEE计算智能学会（CIS）主席Yaochu Jin在卸任前回顾了学会近年来的重要改革：全面推行期刊双盲审稿制度、限制主要会议录取率、优化奖项评审流程。这些举措背后，折射出整个计算智能领域正处于关键转折点。当前人工智能虽已在多个领域取得突破性应用，但两大核心领域——大语言模型（LLM）和具身机器人——仍面临严峻挑战。强化学习与大语言模型在机器人领域的结合虽展现出潜力，却因高质量数据匮乏和仿真与现实之间的巨大鸿沟，导致跨任务泛化能力严重受限。这种"表面繁荣下的技术瓶颈"现象，引发了学界对"新AI寒冬是否将至"的深切忧虑。与此同时，2024年诺贝尔物理学奖得主Geoff

  来源：IEEE Computational Intelligence Magazine

  时间：2025-11-13

• 负责任人工智能与可持续发展目标融合框架：推动ESG治理与创新价值的新路径

  随着人工智能技术浪潮的席卷，如何在技术创新与可持续发展之间建立协同机制已成为全球性难题。企业面临既要推进AI落地又要符合ESG（环境、社会和治理）标准的双重压力，而联合国提出的SDGs（可持续发展目标）又要求技术解决方案必须兼顾多重社会价值。这种复杂情境下，传统单点突破的研究范式已难以应对系统性挑战，亟需建立能够贯通技术伦理、商业价值与社会效益的集成化框架。发表于《IEEE Computational Intelligence Magazine》的最新研究通过三篇核心论文给出了突破性解决方案。首篇论文构建的Responsible AI-ESG-SDGs三角框架首次揭示了三者间的互增强机制：当负

  来源：IEEE Computational Intelligence Magazine

  时间：2025-11-13

• 《冰潮：隐式低温外星生命成像与变形估计》

  摘要：我们介绍了ICE-TIDE方法，这是一种用于低温电子断层扫描（cryo-ET）的技术，它能够同时对观测数据进行对齐并重建高分辨率的三维图像。在cryo-ET中，倾斜序列的对齐是一个限制重建分辨率的主要问题。ICE-TIDE依赖于一种基于坐标的隐式神经表示方法，该方法可以直接对变形进行参数化并对投影图像进行对齐。此外，这种隐式网络还起到了有效的正则化作用，使得在信噪比较低的情况下也能获得高质量的重建结果，并且能够部分恢复缺失的数据信息。我们通过在实际模拟数据上对比ICE-TIDE与其他现有方法的表现，精确评估了其在分辨率和变形恢复精度方面的显著优势。最后，我们还展示了ICE-TIDE在处理

  来源：IEEE Transactions on Computational Imaging

  时间：2025-11-13

• 电磁辐射下忆阻小世界神经网络的同步动力学分析与调控

  人脑作为生命活动的指挥中心，其认知、记忆和情感等生理功能都依赖于大脑中复杂的神经网络协同工作。科学家们发现，大脑神经元的连接模式具有典型的小世界特性——既存在局部高聚类又具备全局短路径，这种结构有利于信息的高效传递。然而，当神经网络同步出现异常时，可能引发帕金森病、癫痫、耳鸣等重大脑功能疾病。更复杂的是，神经元放电行为始终处于电磁场环境中，根据麦克斯韦电磁场理论，电场与磁场间的相互作用对神经元的放电过程具有重要影响。但传统的小世界网络研究往往忽略了电磁效应这一关键物理因素，这限制了我们对真实神经系统的理解。为解决这一难题，欧阳佳鹏、吴亚莲等研究团队在《Complex System Modeli

  来源：Complex System Modeling and Simulation

  时间：2025-11-13

• 基于GNN的短线性分组码自动编码器：一种深度强化学习方法

  摘要：本文提出了一种基于自编码器的端到端信道编码和解码方法。该方法将深度强化学习（DRL）和图神经网络（GNN）结合到编码设计中，通过将码 parity-check 矩阵的生成过程建模为马尔可夫决策过程（MDP），从而优化关键编码性能指标，如误码率和码的代数特性。本文提出了一种基于边权重的 GNN（EW-GNN）解码器，该解码器采用迭代消息传递结构在 Tanner 图上进行处理。一旦在某个线性分组码上完成训练，EW-GNN 解码器即可直接用于解码其他不同码长和码率的线性分组码。通过对基于 DRL 的编码器与 EW-GNN 解码器进行联合迭代训练，可以优化整个端到端的编码和解码过程。仿真结果表明

  来源：IEEE Transactions on Communications

  时间：2025-11-13

• 基于图神经网络辅助多智能体强化学习的卫星边缘计算动态数据传输技术研究

  随着低地球轨道卫星技术的飞速发展，地球观测卫星数量呈现爆发式增长。这些卫星通过高分辨率相机和先进传感器持续产生海量对地观测图像，在林业监测、生态系统服务等领域发挥重要作用。然而，将体积庞大的图像数据及时传回地面仍面临两大核心挑战：卫星资源有限性和动态网络拓扑的不稳定性。特别是在森林火灾检测等时敏型任务中，传统静态路由策略难以适应星座网络的时变特性，而过度的在轨图像压缩虽能减少传输数据量，却会降低下游人工智能任务的推理精度。为解决这一难题，中山大学肖宇阳团队在《IEEE Open Journal of the Communications Society》发表研究，提出SEC-DT框架。该框架创

  来源：IEEE Open Journal of the Communications Society

  时间：2025-11-13

• 基于低复杂度神经网络增强非完美毫米波系统中的位置-速度跟踪性能与泛化能力

  在第五代移动通信技术推动下，毫米波频段因其宽阔的频谱资源成为提升无线传输速率的关键。然而，当我们将目光投向高精度定位领域时，会发现一个严峻的技术挑战：现有的位置-速度跟踪方法严重依赖理想的硬件条件假设，而实际系统中的功率放大器非线性、相位噪声等硬件损伤会显著降低跟踪精度。这种理想与现实的割裂，使得传统跟踪算法在实际部署中往往表现不佳。为了解决这一难题，来自加拿大湖首大学和CableLabs的研究团队开展了一项创新性研究。他们发现，在存在硬件损伤的实际毫米波多输入单输出正交频分复用系统中，传统跟踪器如扩展卡尔曼滤波和无迹卡尔曼滤波的性能与理论最优值存在明显差距。更关键的是，这些方法的有效性高度依

  来源：IEEE Open Journal of the Communications Society

  时间：2025-11-13

• 基于量子神经网络框架的多用户下行非正交多址检测器多分类研究

  随着第六代移动通信系统(6G)研发进程的推进，无线通信领域正面临前所未有的技术挑战。传统正交多址技术因频谱效率受限难以满足未来万物智联场景的海量连接需求，非正交多址(NOMA)技术通过允许用户在相同频段叠加传输，显著提升了系统容量，但其接收端信号检测复杂度随之急剧增加。特别是在下行NOMA系统中，基站向多个用户发送叠加信号后，接收端需要从混合信号中准确分离各用户信息，这一过程对检测算法的精确度和实时性提出了极高要求。现有基于经典神经网络(DNN)的NOMA检测器虽能提升性能，但面临训练收敛慢、计算资源消耗大等瓶颈。而量子神经网络(QNN)作为量子计算与机器学习的交叉前沿，凭借其并行处理能力和指

  来源：Journal of Communications and Networks

  时间：2025-11-13

• 基于多阶段量子卷积神经网络与李雅普诺夫优化的自动驾驶稳定分类控制

  在自动驾驶技术飞速发展的今天，车辆如何像人类驾驶员一样实时精准地识别道路环境成为关键挑战。传统神经网络在处理动态驾驶场景时，往往陷入两难境地：追求高精度需要复杂的计算模型，而强调实时性又不得不牺牲识别准确率。这种"鱼与熊掌不可兼得"的困境，就像让驾驶员在模糊的视野和延迟的反应之间做选择，显然无法满足自动驾驶对安全性的苛刻要求。更棘手的是，现实道路环境瞬息万变——前一刻还是晴空万里，下一刻可能突遇大雾；刚经过空旷郊区，突然进入繁华街区。这种动态变化对系统的自适应能力提出极高要求，而传统固定结构的神经网络难以灵活应对。研究人员开始将目光投向新兴的量子计算领域，希望借助量子叠加（superposit

  来源：Journal of Communications and Networks

  时间：2025-11-13

• 量子通信与网络前沿：NISQ时代算法与应用创新

  随着经典计算逐渐逼近物理极限，量子计算以其并行处理和叠加态特性，成为突破算力瓶颈的关键路径。当前量子设备正处于"嘈杂中型量子"(NISQ)时代，仅能支持数百个物理量子比特，且易受环境噪声干扰。然而，在低地球轨道(LEO)卫星协同、自动驾驶车辆集群、6G超连接网络等复杂分布式系统中，对计算效率和安全通信的需求日益迫切。这种需求与现有量子硬件局限性形成尖锐矛盾，特别是如何在有限量子资源下实现"量子优势"——即量子算法在特定任务上超越经典算法的能力，成为学术界与工业界共同关注的焦点。《Journal of Communications and Networks》本期特刊集中展示了五项前沿研究，分别从

  来源：Journal of Communications and Networks

  时间：2025-11-13

知名企业招聘：