研究介绍
树突计算 (7)
研究受生物神经元树突信息处理机制启发的计算模型与学习算法。
Short-term traffic flow prediction with a dendritic neural network-enhanced time series decomposition framework 链接
- 提出了TSDDNN框架，将时间序列分解与树突神经网络相结合，实现高精度、高效率的短时交通流预测。
- 设计了基于时间序列分解的预测策略，将交通流序列分解为季节项、趋势项和残差项分别建模，有效提升了复杂交通动态的建模能力。
- 采用OLSHADE-CS进化优化算法训练树突神经网络，提高了模型收敛效率和残差序列的非线性拟合能力，并有效避免陷入局部最优。
- 融合统计时间序列分解与生物启发的树突神经计算，构建了兼具轻量化、计算效率和非线性表达能力的交通流预测框架。
- 在多个真实交通流数据集上的实验表明，该方法持续优于统计模型、传统机器学习、深度学习以及Transformer系列模型，具有更高的预测精度和鲁棒性。
Evaluating a novel incremental-input neural network for multivariate air temperature forecasting 链接
- 提出了增量输入神经网络（Incremental-Input Neural Network，IINN），将树突神经元计算扩展到多变量气温预测，实现复杂非平稳时间序列的高效建模。
- 设计了增量输入机制，在树突分支中持续保留信息流，有效缓解高维学习中的梯度消失、梯度爆炸以及分支退化问题。
- 构建了轻量化树突神经网络结构，在保持较低计算复杂度的同时提升了非线性建模能力和模型可解释性。
- 结合AdamW优化策略，实现了不同预测时间跨度下稳定收敛且鲁棒的多变量时间序列预测。
- 在多个真实气象数据集上的实验表明，该模型持续优于循环神经网络、Transformer模型以及传统树突神经元模型，取得了领先的气温预测性能。
Dendritic neural network: a novel extension of dendritic neuron model 链接
- 提出 Dendritic Neural Network（DNN），将传统树突神经元模型扩展为神经网络。
- 引入灵活的突触结构与树突结构，以增强非线性学习能力。
- 开发面向树突结构的 dropout 机制，以缓解梯度消失问题。
- 设计多输出架构，用于处理复杂分类任务。
- 在基准分类数据集上取得了先进性能。
Dendritic neural regression model trained by chicken swarm optimization algorithm for bank customer churn prediction 链接
- 提出了基于鸡群优化算法（Chicken Swarm Optimization，CSO）的树突神经回归模型（CSO-DNRM），将生物启发的树突神经计算与群智能优化相结合，实现高精度银行客户流失预测。
- 设计了由突触层、树突层、膜层和胞体层组成的四层树突神经回归结构，通过突触剪枝和树突剪枝简化网络结构，提高计算效率。
- 采用鸡群优化算法优化网络权重与阈值，在模型训练过程中实现全局搜索与局部开发之间的有效平衡。
- 结合进化优化与树突神经计算，提高了模型预测精度和收敛速度，相较于传统梯度学习方法具有更优的优化性能。
- 在公开银行客户流失数据集上取得了优于多种经典机器学习方法的预测性能，验证了轻量化树突神经模型在客户关系管理和商业决策支持中的应用潜力。
A survey on dendritic neuron model: mechanisms, algorithms and practical applications 链接
- 提出首篇关于树突神经元模型（DNM）的综合性综述。
- 系统梳理了 DNM 的机制、学习算法和实际应用。
- 分析了 DNM 的神经元剪枝机制和逻辑电路转换机制。
- 通过大量实验比较了用于训练 DNM 的代表性优化算法。
- 讨论了树突神经元模型面临的挑战和未来研究方向。
Artificial immune system training algorithm for a dendritic neuron model 链接
- 提出用于树突神经元模型的人工免疫系统（AIS）训练算法。
- 通过受免疫机制启发的全局搜索，提高 DNM 的优化能力。
- 与反向传播相比，提高了收敛速度，并降低陷入局部最优的风险。
- 保留神经元剪枝机制，实现模型的自动简化。
- 通过逻辑电路转换支持硬件实现。
An evolutionary neuron model with dendritic computation for classification and prediction 链接
- 提出用于分类与预测的进化型树突神经元模型（FADNM），并采用萤火虫算法进行训练。
- 通过元启发式优化提升树突神经元模型的学习能力。
- 引入神经元剪枝方案，自动简化树突结构。
- 利用逻辑电路实现剪枝后模型的硬件实现。
- 在分类任务和时间序列预测任务上均展示了优异性能。
时间序列预测 (6)
研究面向真实系统预测、监测与决策支持的时间动态建模方法。
Decomposed seasonal-trend network with rotary attention for time series forecasting 链接
- 提出了DSTN-RA双分支时间序列预测框架，将趋势项与季节项显式分解，并分别采用专用网络进行建模。
- 设计了融合Rotary Position Embedding（RoPE）的Rotary Attention模块，有效增强了季节性信号的周期建模能力和长距离非线性时间依赖建模能力。
- 提出结合多粒度下采样、特征混合和时间混合的Channel Mixing模块，在多个时间尺度上高效建模平滑趋势变化。
- 利用季节—趋势分解解耦复杂时间模式，为趋势项和季节项分别采用针对性的建模策略，提高了模型的预测性能与可解释性。
- 在多个公开时间序列基准数据集上取得了领先的预测性能，并通过消融实验验证了季节—趋势分解、Rotary Attention以及Channel Mixing模块的协同作用。
KPMG: a graphical Koopman-Mamba approach for financial markets 链接
- 提出了KPMG框架，将Koopman增强Mamba与图神经网络相结合，实现对金融时间依赖关系和变量间关联关系的联合建模。
- 设计了Koopman-Mamba模块，将Koopman算子融入双向Mamba，有效过滤金融时序噪声，强化关键特征表示，并提升长期时间依赖建模能力。
- 提出Gaussian Kernel Graph（GKG）模块，利用高斯核自适应构建金融指标之间的图结构，实现高效的变量相关性建模，同时降低图计算复杂度。
- 融合Koopman-Mamba与GKG，实现时间动态建模与图关系学习的协同优化，在预测精度、信息系数（IC）和排序信息系数（RIC）等可信金融预测指标上均取得显著提升。
- 在多个金融市场基准数据集上的实验表明，该框架有效结合了Koopman谱分析、状态空间建模与图学习，为可靠金融时间序列预测提供了新的研究范式。
Enhancing nonlinear dependencies of Mamba via negative feedback for time series forecasting 链接
- 提出 CME-Mamba，以增强时间序列预测中的非线性依赖建模能力。
- 引入基于 Maclaurin 展开的负反馈机制，用于非线性特征增强。
- 开发嵌入通道注意力机制，同时捕捉时间依赖与变量间依赖。
- 引入 Einstein FFT 模块，以缓解梯度消失并提升训练稳定性。
- 在 11 个真实世界时间序列预测基准上取得了先进性能。
Attention Mamba: time series modeling with adaptive pooling acceleration and receptive field enhancements 链接
- 提出了Attention Mamba模型，将自适应池化机制与双向状态空间模型相结合，实现高性能多变量时间序列预测。
- 设计了Adaptive Pooling注意力机制，通过自适应特征压缩扩大模型感受野、保留全局上下文信息，并显著加速注意力计算。
- 融合Adaptive Pooling与双向Mamba模块，同时建模长短期非线性时间依赖关系，在保持计算效率的同时提升时序表示能力。
- 将全局注意力与选择性状态空间建模相结合，在预测精度、训练效率和内存开销之间取得了优于现有Mamba模型的综合性能。
- 在多个真实世界时间序列基准数据集上取得了领先预测性能，验证了自适应感受野增强策略在复杂时间序列建模中的有效性。
A survey on machine learning models for financial time series forecasting 链接
- 提出关于金融时间序列预测机器学习模型的综合性综述。
- 系统比较了主流预测模型的优势与局限性。
- 总结了常用金融数据集、评价指标和预测任务。
- 分析了近期研究趋势以及深度学习和混合模型的广泛应用。
- 指出了金融时间序列预测中的开放挑战和未来研究方向。
Adopting a dendritic neural model for predicting stock price index movement 链接
- 提出用于金融时间序列预测的树突神经模型（DNM）。
- 开发用于优化 DNM 的无标度差分进化（SFDE）算法。
- 结合相空间重构，以捕捉金融时间序列中的混沌动态。
- 通过无标度优化改善探索与开发之间的平衡。
- 在多个基准股票市场指数上取得了优异的预测性能。
计算机视觉 (5)
研究面向图像、视频与多模态真实观测数据的识别和分析方法。
A two-stage filtering approach for video-based document digitization 链接
- 提出了面向俯视视频文档数字化的轻量级两阶段过滤框架，通过融合时间异常检测与密度聚类实现文档页面的自动提取。
- 设计了基于预训练MobileNetV3特征余弦相似度的翻页事件检测方法，无需额外模型训练即可准确识别页面切换过程。
- 结合OPTICS密度聚类对稳定页面进行分组，并去除残留的翻页干扰帧，同时自动选择每个页面的代表图像。
- 构建了仅依赖CPU运行的文档数字化流程，集成手部检测与重复页面去除，支持离线批量处理和参数调整，无需重新录制视频。
- 在多个真实文档数字化场景中实现了100%的页面召回率，验证了该方法作为低成本、高可靠文档数字化方案的实际应用价值。
Hyperspectral image classification based on double-hop graph attention multiview fusion network 链接
- 提出了双跳图注意力多视图融合网络（DGAT-MFN），通过融合图结构上下文信息与多视图特征学习，实现高精度高光谱图像分类。
- 设计了双跳图注意力机制，在传统图注意力网络基础上聚合局部与远距离超像素关系，有效扩大感受野并增强上下文建模能力。
- 提出光谱-坐标注意力模块（SCAM），联合建模光谱通道权重与空间坐标依赖关系，提升光谱–空间判别特征表达能力。
- 构建融合全局光谱–空间视图与多尺度Gabor纹理视图的多视图融合框架，在保留边缘细节和同质区域结构方面具有更强表现。
- 在四个公开高光谱图像基准数据集上，以有限标注样本实现了优于现有方法的分类性能，验证了图学习、注意力机制和多视图特征融合的协同优势。
A framework of specialized knowledge distillation for Siamese tracker on challenging attributes 链接
- 提出了Specialized teachers Distilled Siamese Tracker（SDST）框架，在压缩Siamese目标跟踪模型的同时提升其在复杂场景下的跟踪鲁棒性。
- 设计了结合通用教师（General Teacher）与属性专用教师（Specialized Teacher）的多教师知识蒸馏策略，同时传递通用跟踪知识和复杂场景下的专门知识。
- 提出Multi-teacher Specialized Knowledge Distillation（MSKD）模型，通过定制化的特征蒸馏与软标签蒸馏联合学习中间特征和高层语义信息。
- 显著提升了快速运动、遮挡、低分辨率和背景干扰等复杂属性下的目标跟踪性能，同时保持较高的模型压缩率和实时推理速度。
- 在多种Siamese跟踪器上验证了该框架，实现最高8倍模型压缩、252 FPS实时跟踪，并在多个复杂属性基准测试中取得稳定的性能提升。
DenseHashNet: a novel deep hashing for medical image retrieval 链接
- 提出 DenseHashNet，一种用于基于内容的医学图像检索的端到端深度哈希框架。
- 引入空间金字塔池化（SPP）模块，用于多尺度特征提取与融合。
- 开发 Power-Mean Transformation（PMT）模块，以增强非线性特征表示。
- 设计结合成对损失、量化损失和平衡损失的联合优化策略，用于哈希学习。
- 利用紧凑哈希码，在医学图像数据集上取得了先进检索性能。
Evolutionary neural architecture design of liquid state machine for image classification 链接
- 提出用于液态机（LSM）的进化神经架构设计框架。
- 开发基于 SHADE 的优化策略，用于自动神经架构搜索。
- 在无需先验知识或人工调参的情况下优化关键储备池超参数。
- 通过进化架构优化提升 LSM 的分类性能。
- 在手写图像分类基准上展示了优异性能。
医疗数据挖掘 (5)
研究从多源医疗与健康数据中挖掘具有临床意义知识的方法。
GlucoMixer: an efficient glucose monitoring model with mixers 链接
- 提出了基于Mixer架构的Encoder-only血糖监测模型GlucoMixer，在预测精度与模型可信性之间实现了良好的平衡。
- 设计了轻量级Mask Block，通过渐进式三角掩码机制有效防止未来信息泄漏，同时保持连续血糖预测中的时间连续性。
- 构建了融合Conv1D滤波与双Time Mixer模块的Pattern Extraction Block，能够分别学习不同糖尿病模式下的血糖动态变化特征。
- 采用时间混合与通道混合相结合的Mixer结构，在无需复杂注意力机制的情况下实现高效时序特征交互和表示学习。
- 在多个分布内（ID）和分布外（OOD）血糖预测基准数据集上取得了兼顾预测精度与不确定性校准能力的领先性能，为可信医疗AI和临床决策支持提供了有效方案。
A novel multivariate time series forecasting dendritic neuron model for COVID-19 pandemic transmission tendency 链接
- 提出用于多变量时间序列预测的密集连接高柔性树突神经元模型（DFDNM）。
- 引入密集快捷连接，以缓解梯度消失和梯度爆炸问题。
- 开发结合 AdamW 优化的高柔性树突结构。
- 在 COVID-19 传播趋势长期预测中取得了先进性能。
- 在多个多变量预测基准任务上验证了 DFDNM 的泛化能力。
Sensitivity of electrocardiogram on electrode-pair locations for wearable devices: computational analysis of amplitude and waveform distortion 链接
- 构建了基于解剖人体模型与电生理仿真的计算框架，系统评估可穿戴双极心电图（ECG）电极的最佳布置方案。
- 利用动态时间规整（DTW）定量分析了体型、心脏大小、心脏朝向及电极偏移对ECG信号幅值和波形失真的影响。
- 揭示了心脏与电极之间的距离主要决定ECG信号幅值，而电极视角下心脏的立体角主要影响波形失真。
- 发现标准12导联V2–V3附近的电极位置能够兼顾较高信号质量、较低个体差异以及较强的抗电极偏移能力。
- 为可穿戴心电监测设备的电极布局优化和高可靠信号采集提供了理论依据与设计指导。
Transmission trend of the COVID-19 pandemic predicted by dendritic neural regression 链接
- 提出用于 COVID-19 传播趋势预测的树突神经回归（DNR）模型。
- 引入分支强度建模，以增强树突神经网络的回归能力。
- 开发无标度物质状态搜索（SFSMS）算法，用于高效优化 DNR。
- 结合相空间重构，捕捉疫情时间序列中隐藏的非线性动态。
- 相比先进机器学习和深度学习方法取得了更优的预测性能。
A novel machine learning technique for computer-aided diagnosis 链接
- 提出用于计算机辅助医疗诊断的进化型树突神经元模型（EDNM）。
- 采用 gbest 引导的人工蜂群算法对模型进行优化。
- 引入神经元剪枝机制，实现模型的自动简化。
- 通过逻辑电路支持模型的直接硬件实现。
- 在多个医疗数据集上展示了优异的诊断性能。
可解释人工智能（XAI） (3)
研究能够让人理解模型行为的透明、可信人工智能方法。
EDNMs for visual analytics of learning behavior and early risk prediction 链接
- 提出用于学习分析中可解释早期风险预测的集成树突神经元模型（EDNMs）。
- 通过受生物启发的神经元剪枝机制，实现可视化特征选择。
- 通过动态剪枝树突，开发可跨不同时间窗口进行早期预测的单模型框架。
- 避免为不同预测周分别训练多个模型，从而降低计算开销。
- 在提供透明、可解释学习行为分析的同时，取得了具有竞争力的预测性能。
The mechanism of orientation detection based on color-orientation jointly selective cells 链接
- 提出基于颜色-方向联合选择性（COJS）细胞的仿生方向检测机制。
- 开发用于可解释全局方向检测的人工视觉系统（AVS）。
- 设计基于 McCulloch-Pitts 神经元模型的硬件友好实现。
- 实现具有优异抗噪能力和泛化能力的稳健方向检测。
- 证明 AVS 可通过特征提取有效提升深度学习模型的鲁棒性。
A novel motion direction detection mechanism based on dendritic computation of direction-selective ganglion cells 链接
- 提出一种基于方向选择性神经节细胞（DSGCs）的仿生运动方向检测机制。
- 利用树突计算构建二维八方向运动检测框架。
- 引入局部感受野扫描机制，实现全局运动感知。
- 在大规模图像和随机点图像中实现了稳健的运动检测。
- 为理解视觉运动处理提供了具有生物合理性的计算模型。
学习分析 (3)
研究基于学习行为数据的理解、预测与教育支持方法。
LECTOR: summarizing e-book reading content for personalized student support 链接
- 提出了LECTOR框架，通过建模讲义幻灯片与主题之间的关系，实现教育电子教材内容的智能摘要与信息检索。
- 设计了基于讲义层次结构的篇章感知主题提取机制，在关键词提取任务上优于传统教育系统和现有无监督自然语言处理方法。
- 构建了融合阅读行为日志与语义化阅读内容的多模态分析框架，实现基于主题的学生阅读偏好建模。
- 利用主题级阅读特征提升了学业风险学生预测的性能与可解释性，能够定位学生学习困难主题并支持个性化学习干预。
- 通过2,255页讲义幻灯片和60余万条电子教材阅读日志的大规模实验，验证了该框架在学习分析和个性化教育支持中的有效性与应用潜力。
From reflections to motifs: a graph-based analysis of learners' knowledge construction 链接
- 提出了基于大语言模型与知识图谱的上下文感知分析框架，将学习者反思文本自动转换为个人知识图谱（Personal Knowledge Graph，PKG），显式刻画知识建构过程。
- 设计了基于图Motif挖掘与表示学习的方法，通过识别知识图谱中的高频子图结构，提取学习者知识组织的典型模式。
- 提出将知识结构划分为Path-like、Star-like和Hybrid三类Motif，实现对学习者概念组织方式和知识建构策略的可解释分析。
- 通过统计分析揭示了Motif结构特征与学习成绩之间的显著关系，为理解不同知识组织模式对学习效果的影响提供了可解释证据。
- 实验结果表明，基于Motif的知识表示在成绩预测和风险学生识别任务中均优于文本表示和图神经网络方法，验证了图挖掘方法在学习分析中的有效性。
Visual analytics of learning behavior based on the dendritic neuron model 链接
- 提出基于树突神经元模型的学习行为预测可视分析框架。
- 通过突触和树突剪枝机制构建可解释预测模型。
- 量化单个学习行为的贡献，用于特征重要性分析。
- 在学生风险预测中优于 RNN、LSTM、GRU、BiLSTM 和 BiGRU。
- 提供可操作的分析结果，以支持早期干预和个性化学习指导。
自然语言处理 (3)
研究用于知识抽取、组织与利用的语言理解和生成技术。
Multi-granular legal information fusion with adversarial compensation: a hierarchical and logic-aware framework for robust case retrieval 链接
- 提出用于法律案例检索的层次化逻辑感知框架。
- 引入面向事实、推理和裁判结果建模的动态掩码策略。
- 开发跨层次语义与逻辑引导的信息融合机制。
- 设计双通道对抗补偿模块，用于稳健表征学习。
- 在多个中文和英文法律案例检索基准上取得了先进性能。
DPFSI: a legal judgment prediction method based on deontic logic prompt and fusion of law article statistical information 链接
- 提出了DPFSI法律判决预测框架，将义务逻辑提示学习、多粒度图表示融合以及法条统计信息融合统一到同一模型中。
- 通过义务逻辑提示学习增强预训练语言模型对法律文本中义务、许可、禁止等规范性逻辑的建模能力，提高法律语义表示质量。
- 设计了基于门控图神经网络的多粒度异构图融合机制，联合融合PMI图、AMR图和语义依存图，实现语义、句法与结构信息的协同建模。
- 提出基于β-VAE的法条统计信息自适应融合机制，将法条统计特征对齐到文本表示空间，并通过低置信特征替换提升模型鲁棒性、降低过拟合风险。
- 在法律判决预测基准数据集上取得了领先性能，尤其在法条预测任务中表现突出，验证了法律知识、图推理与统计信息融合策略的有效性。
MFLSCI: multi-granularity fusion and label semantic correlation information for multi-label legal text classification 链接
- 提出了MFLSCI框架，将多粒度文本语义特征与标签语义关联信息联合建模，实现高性能多标签法律文本分类。
- 融合图卷积网络（GCN）与TextCNN，同时学习标签间语义依赖关系和多粒度N-gram文本表示，有效缓解标签遗漏和标签混淆问题。
- 设计了融合文本语义与标签关联信息的相似度驱动软标签分布，以基于概率分布的软对齐替代传统Multi-hot监督方式，提高标签表达能力。
- 通过动态优化文本–标签相似度分布，显著提升模型对噪声标注数据的鲁棒性，在噪声数据集上的性能明显优于传统Label Smoothing方法。
- 在多个法律文本和通用多标签文本分类数据集上取得了优于现有方法的性能，验证了所提框架的有效性与良好的泛化能力。
优化 (3)
研究用于学习、搜索、调度和智能系统设计的优化算法。
A complex network-based firefly algorithm for numerical optimization and time series forecasting 链接
- 提出了一种基于无标度复杂网络的萤火虫算法（CnFA），将复杂网络拓扑引入群智能优化过程。
- 利用网络拓扑引导个体间的信息交互，替代传统全连接交互方式，提高了全局搜索与局部开发能力之间的平衡。
- 借助复杂网络的幂律连接特性保持种群多样性，有效缓解算法早熟收敛和陷入局部最优的问题。
- 证明所提出的网络引导机制不仅适用于萤火虫算法，也能够推广到其他基于种群的进化优化算法。
- 在CEC2017数值优化基准测试以及风速、PM2.5时间序列预测任务中均取得了优于现有方法的性能。
A cuckoo search algorithm with scale-free population topology 链接
- 提出用于布谷鸟搜索算法的无标度种群拓扑结构。
- 通过无标度信息交换，改善探索与开发之间的平衡。
- 在大规模优化问题上提高了解的质量和收敛速度。
- 通过基准函数和真实世界优化问题验证了所提方法。
- 证明无标度拓扑结构可以推广到其他基于种群的算法。
An artificial bee colony algorithm search guided by scale-free networks 链接
- 提出由无标度网络引导的无标度人工蜂群（SFABC）算法。
- 通过无标度信息交换增强探索与开发之间的平衡。
- 引导较差解向高质量邻居学习，从而加速收敛。
- 系统分析了进化优化中的无标度网络特性。
- 证明所提机制可推广用于改进其他基于种群的优化算法。
计算机辅助药物设计 (2)
研究面向分子表示、性质预测和数据驱动药物发现的人工智能方法。
ATLAS-DMPNN: an attention-guided topological framework for enhanced ADMET property prediction 链接
- 提出了ATLAS-DMPNN框架，将注意力引导消息传递、拓扑结构编码以及结构Motif挖掘统一到增强型有向消息传递神经网络中，实现高性能ADMET性质预测。
- 设计了基于注意力的消息聚合与门控更新机制，提高了重要分子特征的权重分配能力，并增强了药理相关分子相互作用的建模能力。
- 提出融合分子位置、环结构和几何信息的拓扑特征编码方法，提升了分子图表示对复杂拓扑结构的敏感性和表达能力。
- 构建了基于蚁群优化（ACO）的结构Motif挖掘模块，自动发现具有药效团意义的高频子结构，并将Motif特征融入分子图表示学习。
- 在多个ADMET基准数据集上，特别是在生物活性和毒性预测任务中取得了优于基线模型的性能，验证了拓扑信息、注意力机制和结构Motif融合策略的有效性。
Improving the artificial bee colony algorithm with a proprietary estimation of distribution mechanism for protein-ligand docking 链接
- 提出了ABC-EDM算法，将面向蛋白质–配体对接问题的专用分布估计机制（EDM）融入人工蜂群算法，实现高效分子对接优化。
- 设计了针对配体空间位置变量的概率分布建模策略，在保留优良分子构象的同时提升了构象搜索效率。
- 将蛋白质–配体对接领域的先验知识融入优化过程，相较于通用进化算法能够更有效地探索对接搜索空间。
- 与多种ABC改进算法、经典进化算法以及AutoDock Vina相比，在对接精度和优化性能方面取得了更优结果。
- 验证了结合问题特定知识设计优化策略能够显著提升结构基础药物设计中的蛋白质–配体对接性能。