IEEE TNNLS

MAD: Meta Adversarial Defense Benchmark

MAD：元对抗防御基准

X. Peng, D. Zhou, G. Sun, J. Shi, L. Wu

AI总结 本文提出MAD基准，通过生成两大数据集和评估协议，解决现有对抗训练方法的高成本、低泛化性和模型冲突问题，引入基于元学习的对抗训练算法Meta-AT，提升模型鲁棒性与清洁样本分类精度。

Comments 12 pages, 11 figures,IEEE Transactions on Neural Networks and Learning Systems

Hybrid Action Based Reinforcement Learning for Multi-Objective Compatible Autonomous Driving

基于混合动作的多目标兼容自动驾驶强化学习

Guizhe Jin, Zhuoren Li, Bo Leng, Wei Han, Lu Xiong, Chen Sun

机构 * College of Automotive and Energy Engineering, Tongji University（同济大学汽车与能源工程学院） ； Department of Data and Systems Engineering, University of Hong Kong（香港大学数据与系统工程系） 纠错

AI总结 本文提出一种多目标集成-批评强化学习方法，通过混合参数化动作空间结构和不确定性探索机制，提升自动驾驶在多目标兼容性、效率和安全性方面的性能。

Comments 14 pages, accepted for publication in IEEE Transactions on Neural Networks and Learning Systems (T-NNLS)

Recent Advances of Multimodal Continual Learning: A Comprehensive Survey

多模态持续学习的最新进展：综合性综述

Dianzhi Yu, Xinni Zhang, Yankai Chen, Aiwei Liu, Yifei Zhang, Philip S. Yu, Irwin King

机构 * Tsinghua University（清华大学） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） 纠错

AI总结 本文综述了多模态持续学习的最新进展，分析了其核心挑战与方法分类，提出四种主要方法类别，并讨论了未来研究方向和开放资源。

Comments Accepted by IEEE Transactions on Neural Networks and Learning Systems (TNNLS). DOI: 10.1109/TNNLS.2026.3658485. Copyright 2026 IEEE