• 基于隐式表示的体积视频流传输技术，以实现逼真的全场景体验

  摘要物联网与深度相机、激光雷达扫描仪和眼动追踪红外传感器等传感器的广泛集成，使得头戴设备中的数字体验进入了一个新时代。全场景体积视频（Full-Scene Volumetric Video, VV）作为这一集成中的关键创新，通过捕捉3D世界的丰富细节提供了深度沉浸式的体验。然而，其庞大的数据量带来了显著的流媒体传输挑战。尽管已经提出了基于3D瓦片的视口方法，但由于视频缓冲区容量有限、瓦片分割开销高以及缺乏对全场景的考虑，这些方法在处理全场景VV时仍存在困难。受隐式神经辐射场（NeRF）技术发展的启发，我们提出了V2NeRF，这是一种具有分层表示机制的全场景VV流媒体系统。该系统将NeRF技术与

  来源：ACM Transactions on Multimedia Computing, Communications, and Applications

  时间：2025-11-08

• VideoGNN：通过动态图模型进行视频表示学习

  摘要图结构为视觉任务提供了灵活的框架，卷积神经网络（CNN）和变换器（Transformers）可以被视为图结构的两种特定实现方式。在CNN中，输入图像被处理为只有相邻像素相互连接的图；而在变换器中，图像被视为完全连接的图。为了充分发挥图结构在视频表示学习中的作用，有效的图生成和训练方法至关重要。为此，我们提出了VideoGNN，它将视频表示为离散时间动态图，并能够高效地学习这种动态图的结构。考虑到视频中包含大量帧，我们设计了一个高效图生成模块，该模块具有低复杂度和高质量的特点，从而便于将视频转换为动态图。此外，我们还引入了一个双视图图神经网络（dual-view graph neural n

  来源：ACM Transactions on Multimedia Computing, Communications, and Applications

  时间：2025-11-08

• 基于扩散的感知神经视频压缩技术：利用时间扩散信息进行重用

  摘要近年来，基础扩散模型在图像压缩任务中引起了广泛关注，而其在视频压缩中的应用仍大多未被探索。在本文中，我们介绍了DiffVC，这是一种基于扩散的感知神经视频压缩框架，它有效地将基础扩散模型与视频条件编码范式相结合。该框架利用先前解码帧的时间上下文以及当前帧的重建潜在表示来指导扩散模型生成高质量的结果。为了加速扩散模型的迭代推理过程，我们提出了时间扩散信息重用（TDIR）策略，该策略通过重用之前帧的扩散信息显著提高了推理效率，同时几乎不损失性能。此外，为了解决不同比特率下失真差异带来的挑战，我们提出了基于量化参数的提示（QPP）机制，该机制利用量化参数作为输入到基础扩散模型中的提示，从而明确调

  来源：ACM Transactions on Multimedia Computing, Communications, and Applications

  时间：2025-11-08

• 在具有文本属性的异构图上进行元路径增强的语言模型预训练

  摘要文本关联异构图（TAHGs）将文本数据与各种与丰富语义实体相关的图结构信息结合起来，在现实世界场景中无处不在。为了从TAHGs中提取信息，常用的方法是使用预训练语言模型（PLMs）。然而，现有的方法主要针对文本处理设计，在处理图结构信息时面临挑战，导致两个主要问题：由于图采样导致上下文不完整，以及文本和图结构信息之间的整合较弱。在本文中，我们提出了一种新的方法，称为基于文本关联异构图的元路径增强语言模型预训练（MLMP）。该模型首先通过使用简单的均值聚合器预先计算邻居信息来收集元路径信息。随后，将这些收集到的元路径信息与文本数据结合，并输入到嵌套有GNN的PLM中。在训练过程中，每一层的G

  来源：ACM Transactions on Multimedia Computing, Communications, and Applications

  时间：2025-11-08

• 无需标注块划分的任意大规模场景重建

  摘要大规模场景重建是一个具有挑战性的问题。由于场景的不同部分可能从不同的采集图像帧中可见，以往的研究通常通过距离或地理位置信息手动将场景分解成多个部分，然后分别重建每个部分。然而，在实际应用中进行大规模场景重建时，这种手动分解工作繁琐且耗时。为了解决这个问题，我们提出了VisibleNeRF方法，该方法能够根据各部分的可见性自动将场景分解成多个部分。具体来说，我们提出了一种可见性判断策略来区分可见部分和不可见部分。接着，我们使用相应的采集图像重建可见部分，并继续利用该可见性判断策略对剩余的不可见部分进行分解。对于分解出的不可见部分，我们会重新构建新的NeRF模块，直到整个场景被完整重建。据我们

  来源：ACM Transactions on Multimedia Computing, Communications, and Applications

  时间：2025-11-08

• 基于机器学习的神经肌肉疾病识别方法：利用肌电图（EMG）信号实现情感健康监测应用

  摘要摘要：肌电图（EMG）用于评估运动神经、感觉神经和肌肉中的神经冲动。EMG是一种多用途工具，广泛应用于各种生物医学领域。它常用于判断身体健康状况，同时也可用于评估情绪健康，例如通过面部肌电图来实现。肌电图信号的分类引起了科学家的兴趣，因为这对于识别神经肌肉疾病（NMDs）至关重要。生物医学传感器的微型化技术最近取得了进展，使得医疗监测系统的开发成为可能。本文提出了一种便携且可扩展的机器学习模块架构，专为医疗诊断设计。特别是，我们提出了一种用于识别神经肌肉疾病的混合分类模型。该模型结合了两种监督式机器学习分类器与离散小波变换（DWT）。在在线测试阶段，使用这些分类器的最优模型来预测肌电图信号

  来源：ACM Transactions on Internet Technology

  时间：2025-11-08

• RCNNshift：利用核函数和无训练需求的脉冲神经网络进行移动物体跟踪

  摘要移动物体跟踪在计算机视觉应用中至关重要，例如自主导航和监控。传统的基于核的方法（如Meanshift和Camshift）在计算效率上表现优异，但在处理复杂运动和遮挡场景时常常失效。深度学习方法虽然提高了性能，但需要大量的计算资源和广泛的预训练。在本文中，我们提出了一种名为RCNNshift的新型跟踪算法，该算法将三维随机耦合神经网络（3DRCNN）与基于核的窗口更新过程相结合，从而无需进行预训练。RCNNshift通过利用3DRCNN提供的时空信息构建了一个稳健的特征空间，实现了高效的跟踪并降低了计算开销。此外，它在基于核的窗口更新步骤中采用了一维特征空间，这比传统的多维方法更高效。我们在

  来源：ACM Transactions on Multimedia Computing, Communications, and Applications

  时间：2025-11-08

• AGF：一种基于子图和模型划分的自适应图神经网络（Adaptive GNN）框架，用于边缘分析

  摘要 人工智能在边缘分析领域得到了广泛应用，深度神经网络能够有效地处理和分析数据。某些应用需要处理诸如图这样的非结构化数据。这类非结构化数据的复杂性和多样性给传统的深度神经网络模型带来了挑战。因此，图神经网络（Graph Neural Networks, GNN）应运而生，成为一种重要的解决方案。然而，在边缘分析场景中，GNN 面临两个主要问题：可扩展性和效率。这些问题主要是由于不同图和模型之间的结构差异造成的。为了解决这些问题，我们提出了 AGF（Adaptive GNN Framework，自适应 GNN 框架）。AGF 包含三个组成部分：子图划分与模型划

  来源：ACM Transactions on Internet Technology

  时间：2025-11-08

• 多通道超图对比学习在矩阵补全中的应用

  摘要评分是用户对相关项目喜好的直接反馈，能够直观地反映用户对该项目的喜爱程度。评分矩阵补全本质上是一个评分预测过程，这也是推荐系统中的一个重要问题。近年来，图神经网络（GNN）在矩阵补全领域得到了广泛应用，通过将评分矩阵表示为二分图来捕捉用户对项目的偏好。然而，现有方法在面对现实世界数据中的稀疏性和长尾分布时存在局限性。此外，GNN的信息传递机制难以捕捉节点之间的高阶相关性及约束关系，而这些在推荐任务中至关重要。为了解决这些问题，我们提出了一种名为MHCL的多通道超图对比学习框架，用于矩阵补全。具体而言，MHCL能够自适应地学习超图结构以捕捉节点间的高阶相关性，并通过基于注意力的跨视图聚合方法

  来源：ACM Transactions on Information Systems

  时间：2025-11-08

• 周期性图神经网络在在线广告点击率预测中的应用

  摘要点击率（CTR）预测是一项重要的功能，它能够反映广告活动的效果。为了实现CTR预测，已经开发了许多模型来学习动态表示和复杂的特征交互机制。我们观察到用户的行为序列具有周期性模式，这是捕捉在线广告等高度动态环境中时间依赖性的关键因素。不幸的是，现有的研究忽略了CTR预测中的周期性模式，从而导致模型性能较低。本文提出了一种基于图神经网络（GNN）建模框架的周期性CTR预测模型（PGNN），该模型结合了周期性图表示和特征图表示。前者通过动态的用户-广告交互图学习用户和广告序列的多尺度周期性模式以及序列间的高阶协同信息；后者则通过将场感知特征交互原理融入到特征图上的可插值图卷积注意力机制中，来学习

  来源：ACM Transactions on Information Systems

  时间：2025-11-08

• LNNIDS：一种基于混合液体神经网络的入侵检测系统（IDS），能够检测已知和未知的物联网（IoT）攻击

  摘要物联网（IoT）网络的迅速扩展带来了新的网络安全风险，这主要是由于其异构性、动态性和资源受限的特性。入侵检测系统（IDS）通常用于检测此类环境中的网络威胁，但传统的IDS以及许多基于机器学习（ML）或深度学习（DL）的方法都面临诸多挑战。这些挑战包括对未知攻击的检测能力较弱、依赖大型数据集、采用静态特征学习方式，以及无法在不频繁重新训练的情况下适应不断变化的流量模式。此外，虽然基于图的IDS能够捕捉到网络流量的关系特征，但其高昂的计算成本和难以适应动态变化的IoT网络的特点限制了其可扩展性。为了解决这些问题，我们提出了一种名为LNNIDS的新颖IDS方法，该方法将尖峰编码技术与混合液态神经

  来源：ACM Transactions on Internet Technology

  时间：2025-11-08

• 基于消息传递的SIGIR 2022推荐系统论文的可重复性及结果一致性分析

  摘要基于图的技术结合神经网络和嵌入方法，在开发推荐系统（RS）方面受到了关注。在2022年和2023年的SIGIR会议上，有多篇相关论文发表。鉴于确保已发表研究在方法论上可靠且可复现的重要性，本文分析了10篇基于图的推荐系统论文（其中大部分发表于SIGIR 2022），并评估了这些论文对2023年SIGIR会议上发表的后续研究的影响。我们的分析揭示了几个需要关注的关键问题：(i) 存在许多不良实践，例如错误的数据划分或训练数据与测试数据之间的信息泄露，这质疑了研究结果的有效性；(ii) 提供的成果（源代码和数据）与其在论文中的描述之间存在频繁的不一致性，导致人们对实际评估的内容产生困惑；(ii

  来源：ACM Transactions on Information Systems

  时间：2025-11-08

• NeuPPS：神经分段参数曲面

  摘要分段参数曲面长期以来一直被视为一种常见的几何表示方法；然而，为了准确表示复杂的几何形状，它们通常需要表面细化或复杂的四边形划分。几何深度学习表明，神经网络能够提供比传统方法更强的表示能力。尽管如此，使用单一参数曲面进行形状拟合的方法难以捕捉细粒度的几何细节，而多块方法则无法确保相邻块之间的无缝连接。我们提出了“神经分段参数曲面”（NeuPPS），这是第一种允许使用由任意n边形表面块组成的粗略布局来高精度建模复杂表面几何形状的分段神经曲面表示方法，与传统参数曲面相比具有更高的灵活性。这种新的曲面表示方法在构建上保证了相邻块之间的连续性，这是其他基于神经块的方法无法实现的。我们引入了两个新颖的

  来源：ACM Transactions on Graphics

  时间：2025-11-08

• 选择：在杂乱环境中实现协调的人机交互，以完成拾取和放置操作

  摘要动画化人物与场景之间的交互行为（例如拾取和放置各种不同几何形状的物体）是一项具有挑战性的任务，尤其是在环境杂乱、涉及复杂可动容器的场景中。主要难点在于：与物体和环境的多样性相比，运动数据相对匮乏；此外，不同动作之间的过渡动作也难以获取，这增加了系统泛化到任意条件的复杂性。为了解决这一问题，我们开发了一个系统，将交互行为合成问题视为一个分层的目标驱动任务来处理。首先，我们设计了一个双手调度器，该调度器根据用户选定的目标物体等抽象目标信号，规划一组关键帧，以高效地同时控制双手完成拾取和放置任务。接下来，我们开发了一个神经隐式规划器，该规划器能够生成手部轨迹，以引导手部在各种形状/类型物体和障碍

  来源：ACM Transactions on Graphics

  时间：2025-11-08

• 一种基于Net-First图神经网络和选择性拓扑搜索的通用约束学习与迁移方法论，用于层次化模拟/混合信号电路布局合成

  摘要在层次化的模拟/混合信号（AMS）集成电路布局合成中实现高效且有效的自动化仍然是电子设计自动化领域面临的一个重大挑战，这主要是由于设计空间庞大以及布局要求多样化。先进的AMS布局自动化工具（如ALIGN和MAGICAL-EDA）利用设计师提取的约束条件来应对这一挑战。然而，当约束条件的数量增加且设计变得更加复杂时，约束条件的提取本身就成为一个问题。最近，基于图神经网络（GNN）的方法被用于提取模拟电路中的对称性约束，尽管其在其他类型的约束条件上的准确性和适用性有限。在本文中，我们提出了一种通用的约束学习与迁移（CLT）框架，该框架能够处理更广泛类型的约束条件，并为层次化AMS电路布局合成提

  来源：ACM Transactions on Design Automation of Electronic Systems

  时间：2025-11-08

• GenPart 2.0：利用生成模型实现增强型超图分割及顶点权重处理

  摘要本文介绍了GenPart 2.0，这是超图划分工具GenPart的升级版本。GenPart仅能处理具有统一顶点权重的情况，而GenPart 2.0扩展了其功能，支持处理具有不同顶点权重的超图。这一扩展是通过基于变分图神经网络的生成模型以及新的特征预处理技术实现的。GenPart 2.0通过构建一个遵循规范化切割和平衡约束的嵌入空间来解决超图划分问题。该生成模型能够在该嵌入空间内探索多种划分方案，并利用V-cycle方法进一步优化划分结果。在包括ISPD98、ISPD2005和Titan23在内的VLSI电路基准测试中，GenPart 2.0在各种平衡约束条件下均表现出更优异的性能。

  来源：ACM Transactions on Design Automation of Electronic Systems

  时间：2025-11-08

• 基于图神经网络的签收阶段故障率预测

  摘要在现代数字设计中，动态功耗已成为一个主要问题，有报告指出毛刺（glitches）可能占总动态功耗的40%。传统的毛刺功耗评估方法，如静态分析和动态仿真，在准确性和效率之间存在权衡。本文提出了一种基于图神经网络（Graph Neural Network, GNN）的模型，该模型利用机器学习来估计毛刺发生率。该模型学习电路的结构和时序特性，并通过少量输入模式来预测基于门尺寸调整的工程变更单（Engineering Change Order, ECO）后的毛刺发生率。通过将预测的毛刺发生率与商用功耗分析工具相结合，所提出的方法能够快速识别毛刺热点，从而加速签收阶段的功耗优化。实验结果证明了该模型

  来源：ACM Transactions on Design Automation of Electronic Systems

  时间：2025-11-08

• AutoMarks：一个基于图神经网络（GNN）的自动化物理设计水印框架

  摘要物理设计是指将逻辑电路描述转换为可用于制造的物理芯片布局。尽管设计公司投入大量精力来微调单元位置和连接，以优化功耗、性能和面积等指标，但芯片布局在供应链过程中仍容易受到安全威胁。物理设计水印技术会在芯片布局中嵌入签名，从而实现所有权验证并避免潜在的安全风险。然而，要在不影响整体布局质量的前提下确定最佳的水印插入位置，需要付出相当大的努力。本文介绍了AutoMarks这一自动化且可移植的水印框架，该框架利用图神经网络来减少集成电路设计布局阶段的 watermark 搜索开销。AutoMarks 的创新自动化 watermark 搜索方法包括：(i) 构建具有物理、语义和设计约束意识的图及节点

  来源：ACM Transactions on Design Automation of Electronic Systems

  时间：2025-11-08

• 迈向通用且高效的电路拓扑设计：一种基于图变换器的替代模型及其课程学习机制

  摘要与电路参数和尺寸优化不同，模拟电路拓扑的自动化设计对基于学习的方法提出了重大挑战。其中一个挑战是随着电路规模的增加，拓扑空间的组合数量呈指数级增长，这限制了拓扑优化的效率。此外，传统的电路评估方法耗时较长，而拓扑空间中的数据不连续性使得对未见过的拓扑结构进行精确的性能预测变得极其困难。为了解决这些挑战，我们设计了一种基于图变换器（Graph-Transformer，简称GTN）的模型作为电路评估的替代模型，该模型在显著提高电路拓扑优化速度的同时不牺牲性能。我们的GTN模型架构能够将电压变化嵌入电路环路中，并将电流流动纳入连接设备中，从而实现对未见过的拓扑结构的精确性能预测。为了解决将GTN

  来源：ACM Transactions on Design Automation of Electronic Systems

  时间：2025-11-08

• 利用物理辅助的Kolmogorov-Arnold网络实现精确的解析方程生成，以进行紧凑建模

  摘要本文提出了一种利用物理辅助的Kolmogorov-Arnold网络（PKAN）生成精确且简洁的分析方程的方法，用于设备紧凑建模。这些方程直接从训练好的神经网络架构中提取得出。PKAN采用基于先验物理知识的可变激活函数来模拟设备行为，相似性约束将这些训练好的激活函数映射为数学符号。通过简化技术优化网络结构，从而得到简洁明了的方程。本文还介绍了四种利用PKAN进行物理辅助设备建模的方法：1）无需人工干预即可生成完整的连续方程；2）在无需了解内部物理机制的情况下对现有模型应用相关因子；3）修改现有模型的特定部分；4）自动扩展现有模型。实验结果表明，PKAN显著提升了建模精度，分别在相应的实验中实

  来源：ACM Transactions on Design Automation of Electronic Systems

  时间：2025-11-08

知名企业招聘：