• InterAxNN：一种可重构且近似内存处理的加速器，适用于间歇供电系统中超低功耗二进制神经网络推理

  摘要在这项工作中，我们提出了InterAxNN，这是一种考虑能耗的近似硬件架构，用于在二进制精度范围内执行向量-矩阵乘法运算，适用于能量受限的间歇供电系统（IPS）。与目前广泛应用于二进制神经网络（BNN）中的XNOR乘加（MAC）操作不同，我们设计了一种新型的可重构XNOR-MAC和AND-MAC内存宏，以执行近似二进制精度运算，特别针对能耗极低的系统。所提出的宏设计具备在运行时根据即时能量和功率变化修改MAC模式的功能。我们利用铁电晶体管（FeFET）的独特特性来实现这种超低功耗的BNN引擎，用于人工智能（AI）工作负载的内存计算。随后，我们基于TI MSP430微控制器实现了基于计算内存

  来源：ACM Transactions on Design Automation of Electronic Systems

  时间：2025-11-08

• 通过图学习辅助的条件生成对抗网络（Conditional GAN）进行FPGA布线拥塞预测

  摘要路由拥塞预测可以加速FPGA布局与布线（PnR）过程的完成。现有的预测方法主要采用卷积模型，这些模型擅长处理图像类型的输入数据。然而，这些方法忽略了电路网表本身的直接表示及其与布局方案的结合。此外，卷积核的尺寸有限，难以捕捉到远距离几何区域内的电路连接情况。为了解决这些问题，本文提出了一种基于图的路由拥塞预测框架，该框架融合了电路拓扑网表和几何布局方案中的信息，并利用条件生成对抗网络（cGAN）模型来提高预测性能，从而超越了现有的方法。我们的框架包含三个关键组成部分：（1）HeteroGraph，这是一种异构图，通过空间映射边将网表子图和布局子图结合在一起；（2）HeteroGNN，这是一

  来源：ACM Transactions on Design Automation of Electronic Systems

  时间：2025-11-08

• 综述：神经母细胞瘤的免疫疗法：新方向与挑战的简要综述

  摘要通俗语言总结 神经母细胞瘤（Neuroblastoma，NB）是最常见的儿童颅外实体瘤，起源于神经嵴细胞，其发生与发育蛋白的异常表达和调控有关。驱动神经母细胞瘤的核心调控机制由一些在胚胎发育期间表达、但在出生后正常组织中基本被关闭的正常人类蛋白质组成。由于高亲和力的自反应性T细胞在胸腺发生过程中被清除，因此适应性免疫系统被认为无法识别这些肿瘤相关抗原。目前对于高风险神经母细胞瘤患者的治疗标准包括：强化治疗方案（包括诱导化疗、手术切除肿瘤、自体骨髓移植进行巩固治疗，随后使用维甲酸作为分化治疗），这使得生存率显著提高至约50%。免疫疗法（如抗GD2单克隆抗体/Dinutuximab和细胞因子I

  来源：Journal of Pediatric Hematology/Oncology

  时间：2025-11-08

• 用于在不完整图中进行搜索的鲁棒神经模型

  摘要在大型关键词图中进行搜索的任务旨在识别一个子图，该子图中的节点共同覆盖了输入的查询关键词。尽管找到这个问题的精确解属于NP难问题，但我们通过提出一种专为包含缺失信息的图设计的新型图神经网络表示学习技术来解决它。我们提出了一种新的关键词图表示学习方法，该方法结合了图的多个方面：全局性、局部性、调整性和特征语义。考虑到这些多个方面，我们的方法在面对缺失信息时仍然具有鲁棒性和适应性。我们采用并微调了一个基于Transformer的模型来聚合图的各种特征，以生成丰富的表示，同时认识到关键词在此任务中的关键作用。通过针对真实世界数据的实验，我们证明了我们的方法优于现有的最先进方法，并且在处理缺失值时

  来源：ACM Transactions on Intelligent Systems and Technology

  时间：2025-11-08

• 基于结构熵引导的信息瓶颈的分布外泛化图谱

  摘要分布外（OOD）泛化是一个具有前景但充满挑战的目标，它能够确保图神经网络（GNNs）在开放世界环境中的测试性能。然而，由于图结构数据的复杂内部拓扑，来自虚假拓扑的冗余信息会严重干扰GNNs，导致它们偏离真实标签。从原始图中提取简洁且与标签相关的子图可以缓解这一问题。不幸的是，现有方法要么忽略了全局结构分布，要么过分依赖预先定义的假设。因此，它们无法准确捕捉输入图与提取子图之间的结构分布变化，从而影响了提取出的不变子图对多种OOD场景的适应性。这促使我们提出了一个名为“结构熵引导的信息瓶颈（OOD-SEIB）”的框架，该框架旨在更可追溯地测量内在信息的变化，以实现更好、更灵活的OOD泛化。O

  来源：ACM Transactions on Knowledge Discovery from Data

  时间：2025-11-08

• 补充说明：用于从二进制可执行文件中逆向工程数学方程的神经反编译技术

  摘要对实现数学方程的二进制可执行文件进行分析时，可以利用对其实现方式的语义信息进行逆向工程。传统的算法逆向工程工具要么无法恢复语义信息，要么依赖于动态分析和符号执行，而这需要较长的逆向工程时间。此外，这些算法工具在针对新平台和语言时也需要进行大量的重新开发工作。最近，人们开发了用于反编译的神经方法来恢复类似人类编写的源代码，但这些方法并不能明确提取语义信息。我们提出了REMEND这一神经反编译框架，它能够从二进制文件中逆向工程出数学方程，从而明确地恢复程序的语义信息，如数据流和操作顺序。REMEND结合了用于神经反编译的Transformer编码器-解码器模型以及算法处理机制，以增强处理数学方

  来源：ACM Transactions on Intelligent Systems and Technology

  时间：2025-11-08

• 利用基于小波变换的深度学习方法和实时信号进行ICU（重症监护室）患者预后的预测

  摘要重症监护病房（ICUs）为患有危及生命疾病的患者提供治疗。然而，全球范围内ICU资源的可用性仍然十分有限。因此，尽早进行ICU预后预测并促进ICU资源的有效利用至关重要。但目前现有的ICU预后预测方法存在局限性，如预测准确性不高，且依赖于耗时较多的实验室检测或专家领域的专业知识。在这项研究中，我们设计了一种基于小波变换的加性卷积神经网络（WT-A-CNN），该网络仅需患者的生命体征数据以及入院时的信息即可实现实时ICU预后预测。该模型通过一个大型真实世界ICU数据库进行了评估，在ICU死亡率和住院时长预测任务上均优于现有的最先进方法。此外，该模型的加性结构有助于模型解释，并分析不同患者群体

  来源：ACM Transactions on Management Information Systems

  时间：2025-11-08

• SPOT：用于图域泛化的谱最优传输算法

  摘要图神经网络（GNNs）已基本成为学习图结构数据的事实标准模型。然而，大多数现有方法都是在已知图上进行归纳学习，这些方法无法处理大量实际场景中出现的未见过的图，尤其是那些可能存在领域变化的图。更糟糕的是，这些图在结构拓扑和节点属性上存在领域变化，从而导致数据偏差，进而使性能大幅下降。为了解决这个问题，我们提出了一种名为谱最优传输（SPOT）的新GNN方法，以实现图上的有效领域泛化。我们的方法基于这样一个事实：高频图谱更有可能反映领域差异。具体来说，我们将结构增强问题表述为一个最优传输问题，以保留低频的关键信息，并使用Sinkhorn-Knopp算法来解决该问题。此外，我们还引入了一种自适应扰

  来源：ACM Transactions on Knowledge Discovery from Data

  时间：2025-11-08

• 基于会话推荐的双重注意力与自适应负采样方法

  摘要在快速发展的在线平台和电子商务网站领域，个性化推荐在优化用户体验方面发挥着至关重要的作用。与依赖用户历史记录的传统推荐系统不同，基于会话的推荐系统旨在为匿名用户提供推荐，而无需他们登录或暴露个人信息。近年来，图神经网络（GNNs）由于其在这一领域的有效性和卓越性能而受到了广泛关注。这些基于图的方法通常采用两阶段流程：第一阶段学习静态项目嵌入，第二阶段利用这些固定嵌入来生成用户意图。然而，这种两阶段方法未能在信息传播过程中充分利用每个项目的隐藏状态，忽略了不同感知场内的项目转换。在这项研究中，我们提出了一个名为“基于会话推荐的双重注意力与自适应负采样框架（DANSeR）”。我们的模型采用双重

  来源：ACM Transactions on Management Information Systems

  时间：2025-11-08

• DuSEGO：双二阶等变图常微分方程

  摘要具有等变性质的图神经网络（GNNs）在模拟复杂动态系统和分子特性方面取得了显著成功。然而，它们的表达能力受到以下限制：（1）现有方法常常忽略了传统GNN模型导致的过度平滑问题，以及深度GNN中出现的梯度爆炸或梯度消失问题。（2）大多数模型仅处理一阶信息，而现实世界中的系统往往包含二阶特性，这进一步限制了模型的表示能力。为了解决这些问题，我们提出了双二阶等变图常微分方程（DuSEGO）用于等变表示。具体来说，DuSEGO同时应用于图嵌入和节点坐标。理论上，我们首先证明了DuSEGO保持了等变性质。此外，我们还提供了理论分析，表明DuSEGO有效缓解了特征表示和坐标更新中的过度平滑问题。另外，

  来源：ACM Transactions on Knowledge Discovery from Data

  时间：2025-11-08

• 针对图数据的拓扑感知强化特征空间重构

  摘要特征空间是一种将数据点向量化以表示原始数据集的环境。重建一个良好的特征空间对于增强数据的AI能力、提高模型泛化能力以及增加下游机器学习模型的可用性至关重要。现有的文献（如特征转换和特征选择）通常需要大量的人工投入（例如，严重依赖经验），并且主要针对表格数据设计。此外，这些方法将数据样本视为独立的，忽略了在应用于图数据时的独特拓扑结构，从而导致重建的特征空间不够理想。我们能否在不依赖大量经验知识的情况下，考虑利用拓扑信息来自动重建图数据的特征空间呢？为了填补这一空白，我们利用基于拓扑的强化学习来自动化并优化图数据的特征空间重建过程。我们的方法结合了提取核心子图以捕获关键结构信息，以及使用图神

  来源：ACM Transactions on Knowledge Discovery from Data

  时间：2025-11-08

• 重新思考基于监督学习的神经组合优化在路由问题中的应用

  摘要神经组合优化（NCO）是一种基于学习的方法，适用于解决复杂的组合优化问题，如旅行商问题（TSP）、车辆路径问题（VRP）和定向越野问题（OP）。然而，如何高效地训练出强大的NCO求解器以应对路径问题仍然是一个关键挑战。广泛使用的强化学习方法存在奖励稀疏和数据效率低的问题，而监督学习方法则需要大量高质量解决方案（即标签），这些解决方案的获取成本可能很高。在这项工作中，我们发现简单的数据增强操作可以大幅减少监督学习所需的高质量解决方案数量。此外，利用多个最优解特性的简单提升策略能够显著提高训练效率。仅需少量（50个）标记的实例，监督学习就能达到与广泛使用的强化学习方法相当的性能。此外，我们还研

  来源：ACM Transactions on Evolutionary Learning and Optimization

  时间：2025-11-08

• 在智能仓库中，通过自动化引导车辆和人工拣选员的混合劳动力实现动态任务分配

  摘要本文探讨了自动化引导车辆（AGVs）在仓库拣选作业中的集成应用，这是仓库运营中一个至关重要且成本密集型的环节。受COVID-19疫情推动，AGV行业蓬勃发展，其高效性、可靠性和成本效益使得该技术在仓库任务自动化方面得到了广泛采用。本文通过策略性运用AGVs，重点改进了拣选员与货物之间的协同流程——即工人前往货物存放位置、取货后移动到下一个处理地点。我们提出了一种新颖的MDP（马尔可夫决策过程）模型，用于协调由人类工人和AGVs组成的混合工作团队，旨在最大化订单处理量和运营效率，并采用神经近似动态规划（NeurADP）方法作为解决方案。具体而言，我们的解决方案框架包括在非短视决策、订单分批处

  来源：ACM Transactions on Evolutionary Learning and Optimization

  时间：2025-11-08

• TensorNEAT：一个用于神经进化（NeuroEvolution）的GPU加速库，可优化拓扑结构

  摘要“增强拓扑结构的神经进化（NEAT）”算法在神经进化领域获得了广泛的认可。其有效性源于从简单网络开始，逐步演化网络的拓扑结构和权重。尽管该算法在应对各种挑战时表现出色，但其计算效率仍然是一个限制因素，影响了其可扩展性。为了解决这些问题，本文介绍了TensorNEAT——一个基于GPU加速的库，它将Tensor化技术应用于NEAT算法。通过Tensor化，NEAT的多样化网络拓扑结构和操作被重新表示为统一格式的张量，从而实现了在整个种群中的高效并行执行。TensorNEAT建立在JAX框架之上，利用自动函数向量和硬件加速技术显著提升了计算效率。除了NEAT之外，该库还支持CPPN和Hyper

  来源：ACM Transactions on Evolutionary Learning and Optimization

  时间：2025-11-08

• 用于交通预测的开放时空基础模型

  摘要准确的交通预测对于有效的城市规划和交通管理至关重要，它能够实现资源的有效分配并提升出行体验。然而，现有的模型在泛化能力方面往往存在局限性，难以对未见过的地区和城市进行零样本预测，且长期预测的准确性也会下降。这主要是由于处理交通数据在空间和时间上的异质性所面临的固有挑战，再加上数据在时间和空间上的分布发生了显著变化。在这项工作中，我们旨在探索构建灵活、具有韧性和适应性的时空基础模型的新方法，以用于交通预测。我们提出了OpenCity这一基础模型，它能够从多种数据中捕捉到潜在的时空模式，从而实现跨城市环境的零样本泛化。OpenCity结合了Transformer和图神经网络来捕捉交通数据中的复

  来源：ACM Transactions on Intelligent Systems and Technology

  时间：2025-11-08

• 无模型通信的联邦神经进化

  摘要在过去的几年中，联邦学习（FL）作为一种有效的方法逐渐崭露头角，它能够在保护数据隐私的同时通过计算网络训练神经网络（NNs）。大多数现有的FL方法需要预先定义1）所有客户端上运行的神经网络的架构，以及2）明确的聚合流程。在难以预先定义这些算法细节的情况下，这些因素可能会成为限制。最近，研究人员提出了NEvoFed，这是一种利用客户端上的神经进化（Neuroevolution）技术的FL方法，其中神经网络的结构是异构的，并且聚合过程在客户端端隐式完成。在这里，我们提出了MFC-NEvoFed，这是一种新的FL方法，它不需要将神经网络参数分布到各个网络中，从而提高了安全性。客户端与服务器之间交

  来源：ACM Transactions on Evolutionary Learning and Optimization

  时间：2025-11-08

• 通过观察学习：通过整合人类游戏行为轨迹在神经进化中生成游戏测试输入

  摘要尽管自动化测试生成在许多编程领域都很常见，但由于游戏的随机性较高以及某些程序状态难以达到，游戏领域对测试生成工具仍然是一个挑战。将神经进化算法与基于搜索的软件测试原理相结合已被证明是一种有前景的游戏测试方法。然而，为了寻找最优的网络拓扑结构和权重，这种协同进化搜索过程需要过长的时间。相比之下，人类能够较快地掌握基本的游戏玩法。因此，在本文中，我们旨在通过整合关于人类游戏行为的知识来改进用于生成游戏输入的进化搜索算法。为此，我们提出了一种系统记录人类游戏行为轨迹的新方法，并将这些轨迹作为变异操作纳入使用传统梯度下降算法的进化搜索过程中。通过对十款不同的Scratch游戏进行的实验表明，所提出

  来源：ACM Transactions on Evolutionary Learning and Optimization

  时间：2025-11-08

• 用于归纳式小样本知识图谱完成的随机神经过程图谱表示方法

  摘要知识图谱（KGs）以实体之间的关系形式存储了大量信息。由于关系分布的“长尾特性”以及知识图谱本身的不完整性，人们对少样本知识图谱补全（FKGC）的研究兴趣日益浓厚。现有的FKGC方法通常假设知识图谱中包含所有实体，但这在实践中可能并不现实，因为新的关系和实体会随着时间不断出现。因此，我们关注一个更具挑战性的任务——归纳式少样本知识图谱补全（I-FKGC），在测试阶段，关系和实体都是未知的。受归纳推理思想的启发，我们将I-FKGC视为一个归纳推理问题。具体来说，我们提出了一种新颖的图随机神经过程方法（GS-NP），该方法包含两个主要模块。在第一模块中，为了获得一个泛化的假设（例如共享子图），

  来源：ACM Transactions on Intelligent Systems and Technology

  时间：2025-11-08

• 在认知疲劳状态下的人机协作中，利用神经测量方法提升信任度评估

  摘要人机协作（HRC）中的信任程度受到多种情境因素的影响，例如人类的疲劳状态和机器人的性能（例如可靠性）。在工业环境中，操作员经常处于疲劳状态，这会增加他们的注意力负担。这种持续的精神压力可能会改变操作员的信任行为。目前尚不清楚为什么会这样。尽管大多数研究依赖于自我报告，但神经人体工程学的最新进展使得评估信任的神经特征成为可能。我们假设，通过研究在不同信任状态下人机协作过程中的神经机制，可以提供更多关于认知疲劳状态下与信任相关的潜意识认知或情感状态的见解（而不仅仅是信任感知）。为了验证这一假设，我们对16名性别均衡的参与者进行了人机协作实验，在实验中通过机器人的可靠性来操控信任水平，实验分为两

  来源：ACM Transactions on Human-Robot Interaction

  时间：2025-11-08

• 基于迁移学习的神经机器翻译在资源匮乏语言中的应用

  摘要鲁东大学文学院，中国烟台 264025中国烟台汉语词典研究中心，中国烟台 264025神经机器翻译（NMT）通过基于单词精确概率来增强句子建议，从而提高可读性。这些单词建议是通过重复翻译、单词搜索和用户输入等学习方法进行训练的。然而，对于资源匮乏的语言来说，NMT的应用存在挑战，因为错误建议或单词替换的可能性较高。因此，本文提出了一种基于概率的机器翻译模型（LMTM），专门用于资源匮乏的语言。该模型利用单词频率和来自较少见句子的潜在替换词来准确识别句子。这是通过结合循环学习和替换学习来实现的。识别出的高概率单词被用于句子的增强，生成的句子中的所有单词都会更新学习模型。该模型为NMT提供概率

  来源：ACM Transactions on Asian and Low-Resource Language Information Processing

  时间：2025-11-08

知名企业招聘：