IEEE TNNLS

Neonatal Hypoxic-ischaemic Encephalopathy Classification from the EEG and HRV Signals Using a Conformer based Masked Autoencoder

基于基于Conformer的掩码自动编码器从脑电图和心率变异性信号中进行新生儿缺氧缺血性脑病分类

Shuwen Yu, William P Marnane, Geraldine B. Boylan, Gordon Lightbody

机构 * University College Cork（科克大学学院） ； INFANT Research Centre（婴儿研究中心） ； Pediatrics and Child Health（儿科与儿童健康） 纠错

AI总结 研究提出MAEConformer自监督学习框架，结合Conformer与MAE从EEG和HRV信号学习。通过卷积与自注意力捕获模式与依赖，引入MR-STFT损失。模型预训练后用于下游任务，在EEG和HRV的HIE分类中表现出色，证明其学习鲁棒可转移表示的有效性。

Comments Paper submits to IEEE Transactions on Neural Networks and Learning Systems

Multimodal Domain Generalization for Depression Detection: An Attention-Based BiLSTM Network with Domain-Adversarial Training

用于抑郁症检测的多模态域泛化：基于注意力的双向长短期记忆网络与域对抗训练

Ali Tabaraei, Federico Simonetta, Stavros Ntalampiras

机构 * University of Milan（米兰大学） ； Gran Sasso Science Institute (GSSI)（大萨索科学研究所） 纠错

AI总结 研究针对深度学习抑郁症检测泛化受限问题，提出含域泛化的多模态检测框架，集成BiLSTM与注意力机制，用梯度反转层增强泛化，实验表明该方法提升了准确率和F1分数，超越现有基准，消融研究突出各因素贡献。

Comments 12 pages, 8 figures, 6 tables. Accepted for publication in IEEE Transactions on Neural Networks and Learning Systems (TNNLS)

Contrastive Predictive Coding with Compression for Enhanced Channel State Feedback in Wireless Networks

用于无线网络中增强信道状态反馈的带压缩的对比预测编码

Ahmed Y. Radwan, Fahad Syed Muhammad, Matthew Baker, Hina Tabassum

机构 * Department of Electrical Engineering and Computer Science, York University（电气工程与计算机科学系，约克大学） ； Nokia France（诺基亚法国） ； Nokia UK（诺基亚英国） 纠错

AI总结 研究针对下一代无线系统中CSI反馈问题，提出统一压缩预测框架，集成CPC到3GPP CSI压缩架构，通过联合目标优化，给出两种变体，实验表明其能降低计算量、保持反馈开销，提供年龄感知且高效的CSI反馈方案。

Comments Accepted for publication in IEEE Transactions on Neural Networks and Learning Systems

Tuning-Free Latent Diffusion Models for Ultrahigh-Resolution Image Editing

用于超高分辨率图像编辑的免调优潜在扩散模型

Wanglong Lu, Lingming Su, Kaijie Shi, Minglun Gong, Xiaogang Jin, Hanli Zhao, Xianta Jiang

机构 * College of Computer Science and Artificial Intelligence, Wenzhou University（温州大学计算机科学与人工智能学院） ； Department of Computer Science, Memorial University of Newfoundland（纽芬兰纪念大学计算机科学系） ； AI Analytics Team, Nasdaq（纳斯达克人工智能分析团队） ； State Key Laboratory of CAD&CG, Zhejiang University（浙江大学CAD&CG国家重点实验室） 纠错

AI总结 针对现有图像编辑方法在高分辨率处理上的局限，提出免调优的UltraDiffEdit框架，通过多尺度渐进编辑、多补丁编码、全局-局部一致性去噪及补丁混合采样等技术，实现高质量超高分辨率图像编辑，处理能力达8K且灵活性高。

Comments 29 pages, 29 figures. Published in IEEE Transactions on Neural Networks and Learning Systems

Journal ref IEEE Transactions on Neural Networks and Learning Systems, 2026

Efficient Cross-Scale Invertible Hiding Network with Spatial-Frequency Collaboration and Non-Invertible Mechanism

高效跨尺度可逆隐藏网络：空间-频率协作与非可逆机制

Junxue Yang, Xin Liao

机构 * College of Computer Science and Electronic Engineering, Hunan University（湖南大学计算机科学与电子工程学院） 纠错

AI总结 提出CrosInv网络，通过跨尺度可逆模块和非可逆交叉密集模块，结合空间-频率协作特征，提升图像隐藏的质量与非线性表示能力。

Comments IEEE TNNLS submitted by Junxue Yang, Xin Liao (https://msf-hnu.github.io/)

QueryMarket: Cost-Aware Online Active Learning in Data Markets

QueryMarket: 数据市场中成本感知的在线主动学习

Xiwen Huang, Pierre Pinson

机构 * Dyson School of Design Engineering, Imperial College London（帝国理工学院戴森设计工程学院） ； Halfspace (part of Accenture)（埃森哲旗下Halfspace） ； Technical University of Denmark (DTU Management)（丹麦技术大学（DTU管理系）） ； Aarhus University (CoRE)（奥胡斯大学（CoRE）） 纠错

AI总结 提出QueryMarket框架和OVBAL算法，通过D-最优性准则估计边际效用，在滚动预算约束下实现成本感知的在线主动学习，适应非平稳流和异构标签成本。

Comments 10 pages, 8 figures. Submitted to IEEE Transactions on Neural Networks and Learning Systems

Vision-Assisted Foundation Model for Solving Multi-Task Vehicle Routing Problems

视觉辅助的基础模型解决多任务车辆路径问题

Shuangchun Gui, Zhiguang Cao, Wen Song, Yew-Soon Ong

机构 * School of Computing and Information Systems, Singapore Management University（新加坡管理大学计算与信息系统学院） ； Institute of Marine Science and Technology, Shandong University（山东大学海洋科学与技术研究院） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） ； Centre for Frontier AI Research, Institute of High Performance Computing, Agency for Science, Technology and Research（新加坡科技研究局高性能计算研究所前沿人工智能研究中心） 纠错

AI总结 提出视觉辅助基础模型VaFM，通过将约束编码为图像并融合图节点嵌入，同时解决16种VRP变体，在复杂约束变体上超越现有方法。

Comments Accepted by TNNLS