部分多标签学习的前沿研究：一种基于标签特异性特征校正的新方法 近年来，部分多标签学习（Partial Multi-Label Learning，PML）逐渐成为机器学习领域的研究热点。随着众包平台的普及，数据标注成本得到显著降低，但随之而来的问题是标注质量的下降——即候选标签集中不可避免地存在一些无关的标签。这些标签噪声不仅增加了学习任务的难度，还可能对模型性能产生误导性影响。因此，研究如何从含噪数据中有效学习，成为目前学术界亟待解决的重要课题。本篇学术报道将聚焦一项在未来学术领域具有重要参考意义的研究，该研究提出了一种名为PASE（Partial Multi-Label Learning via Label-Specific Feature Corrections，基于标签特异性特征校正的...
自动化机器人抓取姿态估计领域的新突破——MetaCoorNet网络 学术背景与研究问题 机器人抓取是机器人技术中的一项基础挑战，其核心在于如何使机器人能够与环境互动，完成对象拾取和操控任务。尽管自动化抓取技术在工业制造、家用辅助和零部件组装等领域表现出了巨大潜力，但其应用却面临诸多困难。例如，抓取对象形状、尺寸、材质等的多样性以及环境中的复杂因素（如遮挡和光照变化），都会对抓取算法的稳定性和真实性构成挑战。除外，采集传感器数据噪声和机械手本身复杂的机械设计也为实现高精度的抓取增加了难度。 在这一背景下，抓取姿态估计成为掌控机器人抓取动作的关键技术。抓取姿态估计是一个回归问题，目标是根据视觉输入数据（如RGB或点云图像）预测最适合的抓取点及对应的角度。近年来，随着深度学习技术的快速发展，更多研...
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...
异构有向多智能体系统合作输出调节问题研究：基于完全分布式无模型强化学习框架 背景介绍 近年来，分布式控制和优化的研究在智能交通、智能电网、分布式能源系统等领域表现出了广泛的应用前景。这类系统通常需要多个智能体的协作完成特定任务，其中基础性研究课题之一便是合作输出调节问题（Cooperative Output Regulation，简称COR）。该问题旨在通过设计合适的控制协议，使得多智能体系统中的所有智能体都能跟踪参考信号并最终实现零跟踪误差。然而，要解决这类问题，准确获知智能体动态模型的信息通常是现有方法的基本前提，这在现实中由于复杂环境和高度耦合的非线性难以实现，甚至可能导致测量成本过高。 此外，由于多智能体系统的通信网络往往具有方向性（即信息传递非对称性），这进一步加大了研究这一问题的...
分布式随机信标（Distributed Randomness Beacon）研究的前沿突破 —— 大规模优化通信复杂度的实用方案 在当今众多技术领域中，可信随机数生成器（Randomness Beacon）是一项关键工具，对密码学、区块链、电子投票及众多应用的安全性具有重要作用。随机数生成器需要满足偏差抗性、不可预测性和公开可验证性。然而，传统的分布式随机信标（Distributed Randomness Beacon，简称DRB）方案通常依赖复杂的通信流程，或借助于公共公告板（Public Bulletin Board，简称PBB）来保障安全性，在参与者规模较大时容易受到性能瓶颈的制约。这一问题促使研究者们寻找更高效、更实用的新方案。 近日，来自上海交通大学电子信息与电气工程学院的Zhey...
多代理系统受限区域内时间变化队形跟踪控制研究综述 多代理系统（Multi-Agent Systems, MAS）的协调与合作控制近年来备受关注，这种兴趣不仅来源于其在多自主水下航行器、多旋翼飞行器等工程领域的广泛应用，也在于其在提升自动化效率、完成复杂任务和减少资源损耗方面的潜力。然而，在复杂和动态的实际环境中，对多代理系统的队形跟踪控制提出了更高的要求，如如何应对外部未知干扰、避免碰撞，以及在受限区域内完成任务。 本文《Observer-based event-triggered formation tracking control for second-order multi-agent systems in constrained region》为此研究领域提供了新的解决方案。这篇论文...
关于随机非线性时变系统有限时间稳定性和不稳定性定理的新成果 1. 研究背景与意义 稳定性理论是系统理论和工程应用中的核心内容，也是系统分析和综合中最基础的考虑之一。在稳定性理论中，最常用的两个概念是渐近稳定性（asymptotic stability）和有限时间稳定性（finite-time stability）。渐近稳定性描述了系统状态在时间趋于无穷时的行为，而有限时间稳定性则关注系统在有限时间内的瞬态性能。 许多工程问题中，有限时间稳定性相比渐近稳定性显得更为重要，例如在机器人操控的轨迹控制和水下飞行器的姿态控制等桥接性任务中，人们更加注重系统在有限时间内到达期望状态的能力。具有有限时间稳定性的系统不仅表现出更好的鲁棒性，而且具有更快的收敛速度。然而，目前已有的研究在有限时间稳定性方面仍...
一项基于多视图图像的端到端视觉语义定位研究 背景与研究意义 随着智能驾驶技术的迅速发展，自动驾驶汽车的精确定位能力成为研究和工业界的热点问题。准确的车辆定位不仅是自动驾驶的核心模块，同时也是高级驾驶辅助系统（ADAS）的重要组成部分。传统的基于视觉定位的方法通常依赖几何模型和复杂的参数调优，但在复杂的场景下，其鲁棒性和大规模部署能力有限。此外，受环境变化（如天气、光照条件等）影响，传统特征提取方法（例如SIFT（尺度不变特征变换）、SURF（加速鲁棒特征）、ORB（方向快速和旋转简要特征）等）在动态环境中表现有限。近年来，带有丰富语义信息的高精度地图（HD Maps, 高精地图）被证明能够增强定位的鲁棒性。然而，如何在多视图图像与语义地图之间实现高效的跨模态匹配，同时避免复杂的几何优化和多阶...
卫星支持的6G宽域边缘智能，面向远程物联网服务的动态感知任务卸载与资源分配 背景介绍 随着6G移动通信网络的到来，传统的物联网（IoT，Internet of Things）体系结构正逐渐向集成全球连接与广泛人工智能（AI）能力的智能万物互联（IoE，Internet of Everything）新范式转变。然而，地面网络在覆盖范围上存在局限性，尤其是在复杂地形和偏远地区无法实现全面覆盖。近地轨道（LEO，Low Earth Orbit）卫星的快速技术发展为解决这一问题带来了新的希望。通过非地面网络（NTN，Non-Terrestrial Networks）的支持，LEO卫星能够为全球用户提供无缝连接、大容量通信和高效计算服务，满足远程环境监控、智能农业等应用的需求。 但是，广域物联网应用带...