脑机接口 / BCI

Quantum-Inspired Hybrid Neural Networks for Neural Decoding: A Controlled Ablation Study of Learnable Quantum Sidecar Integration

用于神经解码的量子启发混合神经网络：可学习量子边载集成的受控消融研究

Diana Legziel Levy, Menachem Finkelstein, Peter Chin, Eilon Vaadia, Sarel Cohen

机构 * Reichman University（赖赫曼大学） ； Dartmouth College（达特茅斯学院） ； The Hebrew University of Jerusalem（耶路撒冷希伯来大学） 纠错

专题命中 神经信号处理 ：neural decoding(title)；分类 cs.LG

AI总结 本研究通过受控消融实验，探究将PQCs作为残差边载模块集成到ResNet-50中用于神经解码的效果，发现骨干梯度训练投影的量子边载模型可提升准确率，测量引导训练能改善表征几何，且未实现量子计算优势。

Comments Accepted at the 5th International Workshop on Human Brain and Artificial Intelligence (HBAI 2026), IJCAI-ECAI 2026

An offline approach to fNIRS-guided reinforcement learning for robot behavior

一种用于机器人行为的基于fNIRS引导的强化学习的离线方法

Julia Santaniello, Madelaine Brower, Benson Jiang, Donatello Sassaroli, Chenyuan Zhang, Robert Jacob, Jivko Sinapov

专题命中 神经信号处理 ：BCI(abstract)；neural signal(abstract)；分类 cs.RO

AI总结 研究利用fNIRS脑信号调节机器人模拟学习的可行性，比较不同交互任务训练的智能体，测试多种增强强化学习算法的方法，发现该框架能有效利用神经信号增强学习，还可离线学习，为特定场景提供替代方案。

Comments Preliminary results

Dendritic structure enables powerful plasticity

树突结构可实现强大的可塑性

Ben von Hünerbein, Federico Benitez, Kevin Max, Julian Göltz, Paul Haider, Simon Brandt, Arno Granier, Timo Gierlich, Jakob Jordan, Katharina A. Wilmes, Jean-Pascal Pfister, Walter Senn, Mihai A. Petrovici

专题命中 神经信号处理 ：cortical(abstract)；分类 q-bio.NC

AI总结 该研究聚焦树突结构对突触可塑性的影响，提出神经元区室化可让突触计算误差信号，通过梯度下降实现局部深度学习，能学习比全局赫布可塑性更复杂的任务。

Comments 30 pages, 4 figures, 3 boxes

Divisive Normalization Shapes Low-Rank Slow Manifolds for Continuous Working Memory

归一化分裂塑造连续工作记忆的低秩慢流形

Zhaotian Gu, Jie Su, Weiwei Wang, Chang Liu, Tianyi Qian, Dahui Wang

专题命中 神经信号处理 ：cortical(abstract)；分类 q-bio.NC

AI总结 本文提出循环归一化分裂网络（RDNN），通过动力学分析和BPTT梯度分析，证明归一化分裂可使网络形成稳健低秩慢流形，防止时变输入下的流形破碎，是学习高保真连续表示的关键机制。

Comments Published in Transactions on Machine Learning Research (08/2026)