学术背景 在机器学习和神经网络领域，持续学习（Continual Learning）是一个重要的研究方向。持续学习的目标是让模型能够在一系列任务中不断学习新知识，同时避免遗忘已经学到的旧知识。然而，现有的持续学习方法面临一个主要挑战：灾难性遗忘（Catastrophic Forgetting）。灾难性遗忘指的是模型在学习新任务时，会迅速遗忘之前学到的知识，导致旧任务的性能大幅下降。这一问题在现实应用中尤为突出，因为许多任务需要模型在不断变化的环境中持续学习和适应。 为了解决这一问题，研究者们提出了多种方法，其中基于回放的方法（Rehearsal-based Methods）是一种常见的解决方案。这类方法通过存储旧任务的代表性样本，并在学习新任务时回放这些样本来巩固旧知识。然而，现有的回放方法...

学术背景 神经科学领域一直致力于理解神经回路如何生成和控制复杂行为。尽管简单的模式生物（如软体动物、甲壳类动物和环节动物）因其可访问的神经系统和大型特征性神经元为研究提供了宝贵的模型，但在许多情况下，对神经回路的理解受限于缺乏详细的大脑图谱。特别是对于软体动物，尽管其大脑由形态一致且功能可研究的神经元组成，但其神经系统中的神经元总数、组织原则以及详细的神经元级别图谱仍然不明确。这些问题限制了对神经回路功能的系统性研究。 为了解决这一挑战，本研究利用同步辐射X射线断层扫描技术（Synchrotron X-ray Tomography, SXRT）对软体动物模型Lymnaea stagnalis（一种经典的软体动物模型）的大脑进行高分辨率成像，构建了其摄食回路的详细3D图谱，并基于此图谱指导了关...

视觉皮层发育中的可靠表征形成 学术背景 视觉皮层的发育是神经科学中的一个重要研究领域。在发育早期，视觉皮层的网络结构已经形成，但这些网络如何响应视觉经验的开始，并最终形成成熟的视觉表征，仍然是一个未解之谜。此前的研究表明，视觉皮层的初始网络结构是由内源性机制（endogenous mechanisms）驱动的，即在没有外界视觉刺激的情况下形成的。然而，视觉经验的引入如何影响这些网络，并使其发展出可靠的视觉表征，仍然不清楚。本研究通过单试验水平的慢性活体钙成像技术，探索了这一问题，提出了视觉经验如何通过前馈和反馈网络的“对齐”来塑造视觉皮层的可靠表征。 论文来源 本文由Sigrid Trägenap、David E. Whitney、David Fitzpatrick和Matthias Kas...

自动化策略在解剖病理学组织分析中的应用：基准标记整合与多表面组织比较 背景介绍 在解剖病理学实验室中，许多流程仍依赖于手动操作，尤其是在石蜡包埋组织块（Paraffin-Embedded Tissue Blocks, PETBs）的制备和处理过程中。手动操作不仅可能导致样本处理不一致，还可能引发样本错误识别或丢失，进而影响诊断的准确性和效率。为了应对这一问题，自动化技术被引入以提升实验室的效率、减少人为错误，并确保样本处理的一致性。 然而，现有的自动化解决方案仍面临诸多挑战，尤其是在组织样本的追踪和特定区域的识别方面。例如，在处理过程中，石蜡包埋组织块中的特定区域可能需要在后续实验室分析中进一步研究（如肿瘤治疗中的分子分型），但缺乏可靠的参考点使得这一过程复杂且容易出错。因此，研究团队提出了...

智能船舶自动驾驶的非线性固定时间强化学习优化控制研究 近年来，智能自动驾驶技术逐渐成为自动化控制领域的研究热点之一。在复杂的非线性系统中，优化控制策略的设计，尤其是在固定时间内实现系统稳定性和性能优化方面，是控制工程师和研究人员面临的重要挑战之一。然而，现有的固定时间控制理论在实现系统状态收敛时，往往忽略了资源利用效率和平衡问题，这可能导致过度补偿或欠补偿的现象，从而使系统的稳态误差增加。此外，对于如何在时间限定内实现非线性不确定性估计误差的最小化，相关研究依然较少。因此，本研究旨在提出一种自适应复合固定时间强化学习优化控制解决方案，进一步解决这一关键问题。 研究背景及目的 固定时间控制理论自提出以来，由于收敛时间不依赖于初始状态的特点，其应用得到了广泛关注。相比有限时间控制方法，固定时间控...

基于SHAP的电力价格预测模型改进研究及其可解释性分析 背景与研究动机 电力市场中的价格预测模型近年来成为研究热点，尤其是考虑到电力市场波动对利益相关方的财务影响。特别是，在欧洲能源市场中，受能源危机和地缘政治影响，最近几年燃料价格急剧上升，导致电力市场的价格波动性显著增加。即使是1%的预测误差，也可能对发电公司、负荷服务实体和交易公司产生巨大的财务后果。例如，对于用电量达到1GW的公司而言，仅1%的预测改进便可带来每年约1200万美元的节省。因此，提高电力价格预测（Electricity Price Forecasting，EPF）模型的精准度对市场参与者来说至关重要。 虽然基于机器学习（Machine Learning，ML）和深度学习（Deep Learning）技术的EPF模型在预测...

理解标签分布学习为何在分类中具有更好的泛化性能 背景介绍 在人工智能和机器学习领域，分类问题一直是研究者关注的核心课题之一，随着多标签学习（Multi-label Learning，MLL）和单标签学习（Single-label Learning，SLL）的不断发展，如何有效处理标签之间复杂的关系成为了一项重要挑战。然而，传统的单标签学习模型往往仅关注最相关的标签，而忽略了标签间的模糊性和相关性信息。这种局限性对现实世界中许多复杂任务的解析和解决形成了阻碍。 为了解决这一问题，标签分布学习（Label Distribution Learning，LDL）被提出。与SLL和MLL不同，LDL通过为每个数据实例分配一个标签分布（每个标签分配一个实数值，表示标签的相关程度）来全面刻画实例与标签之间...

基于单片集成的三维IGZO-RRAM-SRAM计算存储新架构研究：提高神经网络计算效率的突破 背景与研究动机 随着神经网络（Neural Network, NN）在人工智能领域应用的不断深入，传统计算架构难以满足其在能耗、速度和密度方面的需求。这促使研究者将目光投向计算存储（Compute-In-Memory, CIM）芯片技术。CIM通过将计算单元与存储单元集成在一个架构中，避免大量数据在存储与计算单元间传递的“存储墙”效应，从而显著提高系统效率。已有CIM架构主要基于静态随机存取存储器（Static Random Access Memory, SRAM）、电阻随机存取存储器（Resistive Random Access Memory, RRAM）和氧化铟镓锌（Indium-Galliu...

基于深度神经网络的微导航显微手术系统——助力白内障手术精确性迈上新台阶 学术背景与研究问题 白内障是全球范围内导致失明的主要原因之一。如今，采用超声乳化术（phacoemulsification）结合人工晶状体植入（IOL）的手术方法已经成为治疗白内障的主要手段。这一方案不仅能够显著提高患者的视觉质量，还能有效降低手术并发症的发生率。然而，手术的效果高度依赖于其精细操作和眼球的空间定位与定向。手术过程中诸如角膜切口的位置、囊膜撕裂（capsulorhexis）的大小和位置、以及人工晶状体的角度对术后视觉恢复至关重要。 目前的眼科手术显微镜大多依赖于手术医生的经验和人工标记。这种方式面临众多挑战，尤其是在遇到复杂临床场景时，例如眼球旋转、视觉场景不完全、角膜畸变或外部遮挡等。此外，已有的商用显...

基于边界回归与结构重参数化的细胞核实例分割模型RepsNet 学术背景 病理诊断是肿瘤诊断的金标准，而细胞核实例分割是数字病理分析和病理诊断中的关键步骤。然而，模型的计算效率和处理重叠目标的能力是当前研究中的主要挑战。为了解决这些问题，本文提出了一种基于细胞核边界回归和结构重参数化的神经网络模型RepsNet，用于在H&E染色的组织病理学图像中进行细胞核的分割和分类。 细胞核的分布和形态特征（如密度、核质比、平均大小和多形性）不仅对评估癌症分级有用，还能预测治疗效果。然而，病理图像通常具有细胞核广泛粘连、种类多样、形状多变以及细胞质背景与细胞核前景对比度低等特点，这些特征使得细胞核实例分割变得极为困难。 论文来源 本文由Shengchun Xiong、Xiangru Li、Yunpeng Z...