Нейросеть NtechLab поможет повысить безопасность на дорогах Ямала
NtechLab的开发将能够根据执法机构的目标识别交通中的汽车
Self-Healing Neural Networks in PyTorch: Fix Model Drift in Real Time Without Retraining
当您的生产模型出现偏差并且无法进行重新训练时会发生什么？本文展示了自我修复神经网络如何检测漂移，使用轻量级适配器进行实时适应，并在无需重新训练或停机的情况下恢复 27.8% 的准确度。PyTorch 中的自我修复神经网络：无需重新训练即可实时修复模型漂移的帖子首先出现在《走向数据科学》上。
Отечественная нейросеть выявит несогласованные граффити и нелегальную рекламу
系统分析诈骗者的视频流，识别违规行为并将其报告给适当的服务
ParaRNN: Large-Scale Nonlinear RNNs, Trainable in Parallel
递归神经网络 (RNN) 天生适合高效推理，与基于注意力的架构相比，所需的内存和计算量要少得多，但其计算的顺序性历来使得将 RNN 扩展到数十亿个参数是不切实际的。 Apple 研究人员的一项新进展使 RNN 训练的效率显着提高 - 首次实现大规模训练，并扩大了从业者在设计 LLM 时可用的架构选择集，特别是对于资源受限的部署。在 ParaRNN：解锁并行训练......
ProVenTL：用于预测来自蛇毒的肽-蛋白质相互作用用于癌症治疗的迁移学习框架摘要肽-蛋白质相互作用（PepPI）的准确预测对于推进基于肽的抗癌药物设计至关重要。在本研究中，我们介绍了 ProVenTL，这是一种计算机辅助分子设计框架，它利用迁移学习和蛋白质语言模型嵌入来增强 PepPI 预测的准确性和可解释性。探索了两种互补策略：(i) 使用 Calloselasma rhodostoma 毒液肽和癌症相关蛋白的精选数据集对来自蛋白质数据库 (PDB) 的大规模 PepPI 数据进行预训练的 CAMP 模型，以及 (ii) 将 ProtT5 嵌入与堆叠自动编码器深度神经网络 (SAE-DN
Introduction to Deep Evidential Regression for Uncertainty Quantification
机器学习模型可以充满信心，即使它们不应该如此。本文介绍了深度证据回归 (DER)，这是一种让神经网络快速表达它们不知道的内容的方法。不确定性量化的深度证据回归简介一文首先出现在《走向数据科学》上。
问题：您必须成为有史以来最有成就的程序员。苏格拉底甚至预言这次和会会失败。没有神经网络会产生这样的预测。你的人工智能方法超出了其他人的水平。你会同意透露如何编码吗？ PB 答案：老实说，可能不会。我[...]
МГТУ: сила кружкового движения
Danila Posevin，MSTU“信息学与控制系统”学院 IU-9“理论信息学与计算机技术”系副教授。 N. E. Bauman， - 关于创建节能的临时遥测传输网络，其中包括使用神经网络模型早期检测森林火灾源的数据。
DenseNet Paper Walkthrough: All Connected
当我们尝试训练一个非常深的神经网络模型时，我们可能遇到的一个问题是梯度消失问题。这本质上是一个问题，即模型在训练过程中权重更新减慢甚至停止，从而导致模型无法改进。当网络非常深时，[...]DenseNet 论文演练：所有连接的帖子首先出现在走向数据科学上。
IEEE Transactions on Neural Networks and Learning Systems, Volume 37, Issue 4, April 2026
1) 基于多模态特征和深度学习网络的嗅觉受体与分子相互作用的新方法作者：F. Wang, X. Xie, Y. Xiong, Z. Liu, M. Kong, H. Dong, X. ChenPages: 1506 - 15172) 基于随机锚图聚合的谱嵌入表示作者：J. Zhou, F. Li, C. Gau, W. Ding, W. Pedrycz, G. Lang页面: 1518 - 15323) 基于有向图压缩通信的去中心化在线优化作者: H. Liu, B. Zhang, Z. Yu, D. Yuan, M. Dai页面: 1533 - 15454) 基于高阶累积量的直接高效因果方法
Scientists Build Living Robots With Nervous Systems
工程师长期以来一直试图模仿生活。他们模仿人脑构建了机器学习算法，设计了像狗一样行走或像昆虫一样飞行的机器，并教会机器人适应周围的世界，无论多么笨拙。现在他们完全跳过了模仿。他们不再从生物学中汲取灵感，而是从中构建机器人：制造微小的、自由游动的活细胞组合，这些细胞组合成自我导向的系统，并配有将自身连接到功能电路的神经元。上个月在《先进科学》杂志上报道的结果是研究人员称之为“神经机器人”。这些活体机器可以帮助科学家更好地理解简单的神经网络如何产生复杂的行为，这是构建将生物组织与工程控制相结合的机器人系统的基础步骤。经过进一步改进，它们可以用于从精确组织修复到环境清理等各种应用。“我的一般反应是，‘
Complex & Intelligent Systems, Volume 12, Issue 3, March 2026
1) 智能协作：用于机器人细胞动态重新调度的预测神经网络作者：Matthias Bues、Maurizio Faccio、Benjamin Wingert2) 基于仿射非负协作表示的模式分类作者：He-Feng Yin、Xiao-Jun Wu、Zi-Qi Li3) 新生区块链的 51% 攻击漏洞：全面综述作者：Buti Sello、Jianming Yong、陶晓辉4) 资源受限设备上的高效多语言垃圾邮件检测：Gemma 3、Qwen 3 和 Llama 3.2 模型的 QLoRA 微调比较分析作者：Hamza Rauf、Umair Khan、Aurang Zaib5) 一种基于动态辅助任务构
Neuro-Symbolic Fraud Detection: Catching Concept Drift Before F1 Drops (Label-Free)
本文询问接下来会发生什么。该模型将其欺诈知识编码为符号规则。 V14 低于阈值意味着欺诈。当这种关系开始改变时会发生什么？规则可以起到金丝雀的作用吗？换句话说：神经符号概念漂移监控能否在没有标签的情况下在推理时工作？混合神经符号欺诈检测的完整架构背景：用域规则引导神经网络以及神经网络如何学习自己的欺诈规则：神经符号人工智能实验。您将在没有它们的情况下阅读本文，但机制部分在上下文中更有意义。神经符号欺诈检测：在 F1 下降之前捕获概念漂移（无标签）首先出现在走向数据科学上。
IEEE Transactions on Artificial Intelligence, Volume 7, Issue 3, March 2026
1) 多粒度分布外检测的自适应分层图切割作者：X. Fang, A. Easwaran, B. Genest, P. N. Suganthan 页数：1213 - 12222) 论神经网络中高度的表现力作者：F. -L.范，Z.-Y。 Li, H. Xiong, T. Zeng 页数: 1223 - 12373) 基于表面 EMG 手势识别的物理储层计算框架的事件驱动实现作者: Y. Ding, E. Donati, H. Li, H. Heidari 页数: 1238 - 12504) DDConv: Dynamic Dilated Convolution 作者: H. Hu, C. Yu,
