IEEE TNNLS

Nonparametric Variance-Penalized Actor-Critic: Statistical Inference for Risk-Sensitive Reinforcement Learning

非参数方差惩罚演员-评论家：风险敏感强化学习的统计推断

Saunak Kumar Panda, Tong Li, Yisha Xiang, Ruiqi Liu

机构 * University of Houston（休斯顿大学） ； Texas Tech University（德克萨斯理工大学） 纠错

AI总结 本文提出非参数方差惩罚演员-评论家框架，用自举和随机缩放的在线估计器替代第二评论家，实现风险敏感强化学习的统计推断，并在HTS制造案例中显著降低变异性。

Comments Submitted to IEEE Transactions on Neural Networks and Learning Systems. This work has been submitted to the IEEE for possible publication. Copyright may be transferred without notice, after which this version may no longer be accessible

HypLTSF: A Hyperbolic Geometric View of Multi-Scale Hierarchies for Long-Term Time Series Forecasting

HypLTSF：长期时间序列预测中多尺度层次结构的双曲几何视角

Namwoo Kim, Hyungryul Baik, Yoonjin Yoon

机构 * Urban AI Institute, Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院城市人工智能研究所） ； Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） 纠错

AI总结 HypLTSF将多尺度层次结构嵌入庞加莱球，通过径向和角度约束显式建模几何结构，在长期预测基准上取得最先进性能。

Comments Submitted to IEEE TNNLS

An Attention-Assisted AI Model for Real-Time Underwater Sound Speed Estimation Leveraging Remote Sensing Sea Surface Temperature Data

一种结合注意力机制的多模态数据融合模型用于实时估计水下声速

Pengfei Wu, Wei Huang, Yujie Shi, Feng Yin, Hao Zhang

机构 * Faculty of Information Science and Engineering, Ocean University of China（中国海洋大学信息科学与工程学部） ； School of Environmental Science and Engineering, Ocean University of China（中国海洋大学环境科学与工程学院） 纠错

AI总结 本文提出一种结合注意力机制的多模态数据融合卷积神经网络，用于实时估计水下声速剖面，通过提取远程感应海面温度数据与历史声速剖面特征之间的关系，提升估计精度和鲁棒性。

Journal ref IEEE Transactions on Neural Networks and Learning Systems, vol. 37, no. 8, pp. 3669-3683, Aug. 2026,

Cross-Platform Generalisation Failure in Mental Health Natural Language Processing: A Five-Axis Fairness Audit of Transformer Models on Social Media

心理健康自然语言处理中的跨平台泛化失效：对社交媒体上Transformer模型的五维度公平性审计

Rajveer Singh Pall, Sameer Yadav

机构 * Gyan Ganga Institute of Technology and Sciences（gyan ganga 技术与科学学院） 纠错

AI总结 本研究提出CPFE五维度公平性审计框架，发现心理健康NLP的Transformer模型跨平台泛化失效显著，温度缩放可缓解校准问题，需将CPFE验证作为心理健康NLP系统的标准要求。

Comments 15 pages, 24 figures, 10 tables. Submitted to IEEE Transactions on Neural Networks and Learning Systems

Comparing Uncertainty Measurement and Mitigation Methods for Large Language Models: A Systematic Review

比较大型语言模型的不确定性测量与缓解方法：系统综述

Toghrul Abbasli, Kentaroh Toyoda, Yuan Wang, Leon Witt, Muhammad Asif Ali, Yukai Miao, Dan Li, Qingsong Wei

AI总结 本文系统回顾了大型语言模型中不确定性测量与缓解方法的有效性，提出严谨的基准测试，并通过实验证明了现有方法的显著发现，为未来研究方向和开放挑战提供了展望。

Comments Accepted to IEEE Transactions on Neural Networks and Learning Systems

Free-Probability Kernels for Zero-Rollout Hyperparameter Selection in Reservoir Computing

用于储备池计算零展开超参数选择的自由概率核

Sara Malacarne, Andrea Ceni, Claudio Gallicchio

机构 * Telenor Research & Innovation（挪威电信研究与创新中心） ； University of Pisa（比萨大学） 纠错

AI总结 提出基于自由概率核的零展开超参数选择方法，无需大量展开即可高效选择储备池计算的超参数，性能接近穷举搜索且成本大幅降低，在多个时间预测任务中表现优异。

Comments Submitted to IEEE Transactions on Neural Networks and Learning Systems (TNNLS)

Temporal Logic Guided Universal Task Representations for Reinforcement Learning

用于强化学习的时序逻辑引导通用任务表示

Hao Zhang, Zhangli Zhou, Zhen Kan

机构 * University of Science and Technology of China（中国科学技术大学） ； Anhui Provincial Key Laboratory of Humanoid Robots（安徽省人形机器人重点实验室） ； Chinese Academy of Sciences（中国科学院） 纠错

AI总结 本文提出受时序逻辑启发的通用任务表示框架LOTUS，将其集成至强化学习算法，通过LTL编码器建模语义、双模拟度量保障稳定性，在多场景下的学习效率、泛化能力等指标优于现有方法。

Comments Accepted by IEEE Transactions on Neural Networks and Learning Systems (Early Access). Project page: https://lotus-website.github.io/

Deep Residual Echo State Networks: exploring residual orthogonal connections in untrained Recurrent Neural Networks

深度残差回声网络：探索未训练循环神经网络中的残差正交连接

Matteo Pinna, Andrea Ceni, Claudio Gallicchio

AI总结 本文提出深度残差回声网络，通过引入时间残差正交连接提升未训练RNN的长期记忆和时间建模能力。

Comments 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)

Reinforcement learning in pursuit-evasion differential game: safety, stability and robustness

强化学习在追捕-逃避微分博弈中的应用：安全、稳定与鲁棒性

Xinyang Wang, Hongwei Zhang, Jun Xu, Shimin Wang, Martin Guay

AI总结 本文提出了一种结合控制屏障函数和滑模控制的强化学习框架，以解决追捕-逃避问题中的安全、稳定性和鲁棒性挑战。

Comments 13 pages, 7 figures

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

Efficient Tuning Before Low-Bit Post-Training Quantization for Stochastic Gradient Descent-optimized Models

用于随机梯度下降优化模型的低位后训练量化前的高效调优

Peng Xia, Junbiao Pang, Muhammad Ayub Sabir

机构 * School of Information Science and Technology, Beijing University of Technology（北京工业大学信息科学与技术学院） 纠错

AI总结 研究针对低位后训练量化性能易降问题，提出ETBQ方法，在随机梯度下降优化模型的PTQ前进行预处理调优，通过从量化误差分布采样扰动优化全精度模型，实验证明该方法能提升不同任务的低位PTQ性能。

Comments v2 revision: Added hyperparameter settings of all experiments in appendix, fixed minor typos, adjusted figure layout, polished experimental analysis. 12 pages, 10 figures, submitted to IEEE Transactions on Neural Networks and Learning Systems (TNNLS). Code available at https://github.com/xpxpxp2001xpxpxp/ETBQ

PMSN: A Parallel Multi-compartment Spiking Neuron for Multi-scale Temporal Processing

PMSN：一种用于多尺度时间处理的并行多房室脉冲神经元

Xinyi Chen, Jibin Wu, Chenxiang Ma, Yinsong Yan, Hanwen Liu, Yujie Wu, Kay Chen Tan

AI总结 研究针对脉冲神经网络多尺度时间处理不足问题，提出并行多房室脉冲神经元模型PMSN，通过整合子结构模拟生物神经元，引入并行化技术，实验表明其在时间处理能力和训练速度上优于现有模型，在神经形态硬件上可部署。

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

Learning Self-Growth Maps for Fast and Accurate Imbalanced Streaming Data Clustering

学习自生长地图以实现快速准确的不平衡流数据聚类

Yiqun Zhang, Sen Feng, Pengkai Wang, Zexi Tan, Xiaopeng Luo, Yuzhu Ji, Rong Zou, Yiu-ming Cheung

机构 * School of Computer Science and Technology, Guangdong University of Technology（广东工业大学计算机科学与技术学院） ； Department of Computer Science, Hong Kong Baptist University（香港 Baptist 大学计算机科学系） 纠错

AI总结 本文提出SOHI方法，通过自生长地图和层次合并策略，实现对流数据不平衡聚类的快速准确探索。

Journal ref IEEE Transactions on Neural Networks and Learning Systems, 2025

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/)

Measuring Model-Induced Discrimination via Efficient Fairness Approximation

通过高效公平近似衡量模型引发的歧视

Yijun Bian, Yujie Luo

机构 * Department of Computer Science, University of Copenhagen（哥本哈根大学计算机科学系） ； Department of Mathematics, National University of Singapore（新加坡国立大学数学系） 纠错

AI总结 提出基于流形视角的公平度量HFM，利用集合间距离评估分类器歧视，并设计近似算法ApproxDist提高计算效率，实验表明其兼顾个体与群体公平。

Comments Accepted by TNNLS. These two authors contributed equally

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

Synchronization of Tree Parity Machines using non-binary input vectors

使用非二进制输入向量同步树奇偶机

Miłosz Stypiński, Marcin Niemiec

机构 * AGH University of Science and Technology（波兰格但尼克技术大学） 纠错

AI总结 本文提出利用范围更广的非二进制输入向量改进树奇偶机的同步过程，从而减少同步时间并提升神经密码学的安全性。

Comments This work has been submitted to the IEEE for possible publication

Journal ref IEEE Transactions on Neural Networks and Learning Systems, vol. 35, no. 1, pp. 1423-1429, Jan. 2024

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

A Unified Analysis of AdaGrad with Weighted Aggregation and Momentum Acceleration

AdaGrad的统一分析：带加权聚合和动量加速

Li Shen, Congliang Chen, Fangyu Zou, Zequn Jie, Ju Sun, Wei Liu

机构 * JD Explore Academy, Beijing, China（京东探索研究院，北京，中国） ； Facebook, USA（Facebook，美国） ； Meituan, Beijing, China（美团，北京，中国） ； University of Minnesota, Twin Cities, USA（明尼苏达大学双城分校，美国） ； Tencent, Shenzhen, China（腾讯，深圳，中国） 纠错

AI总结 本文提出了一种名为AdaUSM的加权AdaGrad算法，通过统一动量方案和新型加权自适应学习率，实现了在非凸随机设置下的O(√(log(T)/T))收敛率，并从新视角解释了Adam和RMSProp的自适应学习率。

Comments IEEE TNNLS

Fidelity-based Probabilistic Q-learning for Control of Quantum Systems

基于保真度的概率Q学习用于量子系统的控制

Chunlin Chen, Daoyi Dong, Han-Xiong Li, Jian Chu, Tzyh-Jong Tarn

AI总结 本文提出基于保真度的概率Q学习方法，用于解决强化学习中探索与利用的平衡问题，并应用于量子系统控制，通过迭代更新动作概率实现自然探索策略，提升学习效率。

Comments 13 pages, 16 figures

Journal ref IEEE Transactions on Neural Networks and Learning Systems, VOL. 25, NO. 5, pp.920-933, MAY 2014

Quantum Ensemble Classification: A Sampling-based Learning Control Approach

量子集合分类：基于采样的学习控制方法

Chunlin Chen, Daoyi Dong, Bo Qi, Ian R. Petersen, Herschel Rabitz

AI总结 本文提出基于采样的学习控制方法，用于解决非正交态的量子集合分类问题，通过同时引导不同类成员到目标态实现有效分类。

Comments 32 pages, 15 figures, 2 tables

Journal ref IEEE Transactions on Neural Networks and Learning Systems, 28, 1345-1359, 2017

An Approach to Stable Gradient Descent Adaptation of Higher-Order Neural Units

一种高阶神经单元稳定梯度下降适应的方法

Ivo Bukovsky, Noriyasu Homma

AI总结 本文提出一种基于谱半径的高阶神经单元权重更新系统稳定性评估方法，通过梯度下降实现前馈和递归HONU的适应，确保每一步适应过程的稳定性，从而保证整个神经架构对目标数据的适应性。

Comments 2016, 13 pages

Journal ref IEEE Transactions on Neural Networks and Learning Systems,ISSN: 2162-237X,2016

Quaternion Gradient and Hessian

四元数梯度与Hessian

Dongpo Xu, Danilo P. Mandic

机构 * College of Science, Harbin Engineering University, Harbin 150001, China（哈尔滨工程大学理学院） ； Department of Electrical and Electronic Engineering, Imperial College London, SW7 2AZ London, UK（伦敦帝国理工学院电子与电气工程系） 纠错

AI总结 本文提出基于广义HR算子的新四元数梯度和Hessian定义，简化了四元数最优化算法的推导，使直接在四元数域中进行优化成为可能，提高了算法设计和评估的效率。

Comments 23 pages

Journal ref IEEE Transactions on Neural Networks and Learning Systems, 2016, 27(2):249-261

Machine Learning Methods for Attack Detection in the Smart Grid

智能电网中攻击检测的机器学习方法

Mete Ozay, Inaki Esnaola, Fatos T. Yarman Vural, Sanjeev R. Kulkarni, H. Vincent Poor

AI总结 本文提出利用机器学习方法检测智能电网攻击，通过批量和在线学习算法结合特征和决策融合，分析攻击向量的统计与几何特性，提升攻击检测性能。

Comments 14 pages, 11 Figures

Journal ref A version of the manuscript was published in IEEE Transactions on Neural Networks and Learning Systems, 19 March 2015

Learning Geo-Temporal Non-Stationary Failure and Recovery of Power Distribution

学习电力分配网络的地理时间非平稳故障与恢复

Yun Wei, Chuanyi Ji, Floyd Galvan, Stephen Couvillon, George Orellana, James Momoh

AI总结 本文研究电力分配网络在非平稳环境下的故障与恢复行为，提出新的建模方法，并通过实际案例验证模型参数学习的有效性。

Comments 12 pages, 12 figures, Accepted with minor revisions by TNNLS, Special Issue on Learning in Nonstationary and Evolving Environments. arXiv admin note: text overlap with arXiv:1202.4720

Accelerated Canonical Polyadic Decomposition by Using Mode Reduction

利用模式约简加速典型多路分解

Guoxu Zhou, Andrzej Cichocki, Shengli Xie

AI总结 针对高阶张量CP分解中频繁展开至N个模式导致的效率瓶颈，提出一种将N阶张量先转化为3阶张量再分解的方法，避免逐模式展开，同时保持分解唯一性并提升效率。

Comments 12 pages. Accepted by TNNLS

Forgettable Federated Linear Learning with Certified Data Unlearning

具有认证数据遗忘的可遗忘联邦线性学习

Ruinan Jin, Minghui Chen, Qiong Zhang, Xiaoxiao Li

机构 * University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（向量研究所） ； Renmin University of China（中国人民大学） 纠错

AI总结 提出一种基于预训练模型线性近似的联邦遗忘框架，通过联邦线性训练实现高效、安全且可认证的客户端数据遗忘。

Comments IEEE Transactions on Neural Networks and Learning Systems

Journal ref IEEE Transactions on Neural Networks and Learning Systems, Early Access, pp. 1-10, 2026