学术背景 COVID-19大流行对全球公共卫生系统造成了巨大冲击，尽管目前疫情已有所缓解，但其复杂的免疫病理机制、长期后遗症（如“长新冠”）以及未来可能出现的类似威胁，仍然推动着相关研究的深入。特别是重症COVID-19患者，常伴随“细胞因子风暴”、急性呼吸窘迫综合征（ARDS）、多器官衰竭等严重症状，亟需更精准的预测模型和生物标志物来指导临床决策。 传统的机器学习（ML）和深度学习（DL）模型在高通量组学数据分析中表现出色，但往往缺乏生物可解释性，难以揭示非线性蛋白质动态（如翻译后修饰）和复杂的信号通路调控机制。为了解决这一问题，作者开发了APNet（Activity PASNet），一种结合了差异活性分析和生物信息驱动的稀疏深度学习模型，旨在通过可解释的预测发现COVID-19重症的驱动...

学术背景 药物-靶点相互作用（Drug-Target Interaction, DTI）预测是药物发现中的关键环节，能够显著降低实验筛选的成本和时间。然而，尽管深度学习技术已经提升了DTI预测的准确性，现有方法仍面临两大挑战：泛化能力不足和亚口袋级相互作用的忽视。首先，现有模型在未见过的蛋白质和跨域设置下性能显著下降；其次，当前的分子关系学习往往忽略了亚口袋级别的相互作用，而这些相互作用对于理解结合位点的细节至关重要。为了解决这些问题，研究人员提出了一种名为SP-DTI的新型模型，通过引入亚口袋分析和预训练语言模型，提升了DTI预测的准确性和泛化能力。 论文来源 这篇论文由Sizhe Liu、Yuchen Liu、Haofeng Xu、Jun Xia和Stan Z. Li共同撰写。他们分别来...

基于CNN与Dilated Sampling Self-Attention的ABVS乳腺肿瘤分割研究 学术背景 乳腺癌是全球范围内第二大常见癌症，早期和准确的检测对于改善患者预后和降低死亡率至关重要。尽管目前有多种成像技术（如X线乳腺摄影、磁共振成像和手持超声）被用于乳腺癌的早期筛查，但这些技术往往面临分辨率有限或操作依赖性强等问题。为了解决这些问题，自动化乳腺容积扫描仪（Automated Breast Volume Scanner, ABVS）应运而生。ABVS能够自动获取整个乳房的全面视图，但其图像分析仍然具有挑战性，主要由于乳腺肿瘤在大小、形状和位置上的显著差异。近年来，深度学习在医学图像分析中取得了显著进展，尤其是卷积神经网络（CNN）和变换器（Transformer）在肿瘤分割和...

学术背景与问题引入 在当今教育领域，公共演讲焦虑（Public Speaking Anxiety, PSA）是一个普遍存在的现象，尤其是在非母语学习者中。这种焦虑不仅影响学习者的表达能力，还可能阻碍其个人发展。为了帮助学习者克服这一问题，研究者们开始探索如何通过多模态数据（如视频、音频和文本）自动检测演讲焦虑状态。然而，现有的多模态公共演讲焦虑检测（Multimodal Public Speaking Anxiety Detection, MPSAD）模型在训练过程中容易受到多种潜在偏差的影响，例如上下文偏差（context bias）、标签偏差（label bias）和关键词偏差（keyword bias）。这些偏差会导致模型过度依赖某些表面特征，而未能充分利用多模态信息，从而降低检测的准...

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...

复杂量化最小误差熵与基准点的理论及应用：模型回归中的突破 学术背景 在机器学习和信号处理领域，非高斯噪声的存在往往会对模型的性能产生不利影响。传统的均方误差（Mean Squared Error, MSE）虽然在理论上和计算上具有简单性，但在面对非高斯噪声时，其可靠性受到严重挑战。为了解决这一问题，研究者们提出了多种优化准则，其中最小误差熵（Minimum Error Entropy, MEE）因其在抑制脉冲噪声和异常值方面的优异表现而备受关注。然而，原始的MEE算法由于需要对误差样本进行双重求和，计算复杂度较高，限制了其在大规模数据集中的应用。 为了降低计算负担，Zheng等人提出了量化最小误差熵（Quantized MEE, QMEE），通过量化技术显著提高了计算效率。在此基础上，本研究...

多标签图像分类的新突破——双关系Transformer网络 学术背景 多标签图像分类（Multi-Label Image Classification, MLIC）是计算机视觉领域中的一个基础但极具挑战性的问题。与单标签图像分类不同，MLIC的目标是为一张图像中的多个对象同时分配标签。由于图像中可能包含多个对象，且这些对象之间存在复杂的空间和语义关系，MLIC任务面临着场景复杂、对象尺度多样以及对象间隐含关联等挑战。近年来，随着深度学习技术的快速发展，尤其是卷积神经网络（CNN）和Transformer的引入，MLIC任务取得了显著进展。然而，现有的Transformer方法在处理2D特征图时，通常会将特征图展平为1D序列，这导致空间信息的丢失。此外，现有的注意力机制模型往往只关注显著的特征...

自适应分布式多任务学习框架ADAMT：移动自组网中的高效图像识别 学术背景 在移动自组网（Mobile Ad-hoc Networks, MANETs）中，分布式机器学习面临着巨大的挑战。这些挑战主要来自于设备的有限计算资源、非独立同分布（Non-IID）的数据分布以及动态变化的网络拓扑结构。现有的方法通常依赖于集中式协调和稳定的网络条件，但在实际应用中，这些条件往往难以满足。为了解决这些问题，研究人员提出了一种名为ADAMT（Adaptive Distributed Multi-Task Learning）的自适应分布式多任务学习框架，旨在在资源受限的移动自组网中实现高效的图像识别。 移动自组网是一种去中心化、无基础设施的网络，能够在没有固定基础设施的情况下实现设备之间的自主连接和信息共享...

学术背景 深度强化学习（Deep Reinforcement Learning, DRL）在游戏、机器人、导航、计算机视觉和金融等多个领域取得了显著成就。然而，现有的DRL算法普遍存在样本效率低下的问题，即需要大量的数据和训练步骤才能达到理想的性能。尤其是在连续动作任务中，由于状态-动作空间的高维性，传统的DRL算法难以有效利用情景记忆（Episodic Memory）来指导动作选择，导致样本效率进一步降低。 情景记忆是一种非参数控制方法，通过记忆高回报的历史经验来提升样本效率。在离散动作任务中，情景记忆可以直接用于评估每个可能的动作，并选择估计值最高的动作。然而，在连续动作任务中，动作空间是无限的，传统的情景记忆方法难以直接应用于动作选择。因此，如何在连续动作任务中有效利用情景记忆来提升样...

基于概率记忆自编码网络的监控视频异常行为检测研究 学术背景 在智能监控系统中，异常行为检测是一项至关重要的功能，广泛应用于反恐、社会稳定维护和公共安全保障等领域。然而，异常行为检测面临着一个核心挑战：正常行为数据和异常行为数据之间的极端不平衡。正常行为数据通常大量且易于获取，而异常行为数据则稀少且难以预测。这种不平衡使得传统的监督学习方法难以有效训练模型。因此，研究如何利用大量正常行为数据来建模正常行为分布，并以此为基础检测异常行为，成为了一个重要的研究方向。 近年来，基于深度学习的方法在异常行为检测中取得了显著进展。特别是，基于视频帧重建和未来帧预测的方法被认为在性能上优于传统的重建方法。然而，现有的方法在处理复杂场景和多模态正常行为时仍存在局限性。为了解决这些问题，本研究提出了一种基于概...