IEEE TNNLS-2025年10月-最新在线出版论文12篇

主要观点总结

该文章介绍了多个关于机器学习领域的最新研究，包括基于体素掩蔽编码器和深度哈希范式的三维多目标跟踪、回流学习协变量转移下的反事实公平表示、深度软阈值网络的理论收敛性分析和初始化比较等。同时，还包括了在信号调制分类、文本数据防止学习、联合学习和金融市场高频预测等方面的最新研究。此外，文章还介绍了硬样本挖掘作为一种新的模型训练范式以及联邦学习中数据异构性的挑战等相关内容。

关键观点总结

关键观点1: 基于体素掩蔽编码器和深度哈希范式的三维多目标跟踪研究，解决了自动驾驶中的精确三维多目标跟踪问题。

该研究中提出了一种基于体素掩蔽编码器（VME）和深度哈希范式（DHP）的3-DMOT框架，通过引入掩蔽策略、图像哈希码生成和距离优化匹配等方法，实现了在KITTI数据集上的优秀跟踪性能。

关键观点2: 回流学习协变量转移下的反事实公平表示研究，旨在解决真实世界分布转移的关键挑战。

该研究提出了反事实回流变分自动编码器（CRVAE），通过引入回流技术和域鉴别器，实现了单域和协变量移位预测任务中的公平性和泛化能力。

关键观点3: 深度软阈值网络的理论收敛性分析和初始化比较，解决了训练深度软阈值网络以实现收敛时遇到的问题。

该研究证明了深度软阈值网络的收敛性与网络权值和偏差之间的关系，并提出了将网络权重初始化为单位矩阵的方法，以加快稳定的收敛。

关键观点4: 信号调制分类、文本数据防止学习、联合学习和金融市场高频预测等方面的最新研究。

这些研究分别涉及到不同领域的应用，通过采用新的算法和框架，提高了模型的性能和泛化能力，为相关领域的发展提供了新的思路和方法。

关键观点5: 硬样本挖掘作为一种新的模型训练范式的重要性。

硬样本挖掘通过生成不可感知的扰动，防止模型学习特定数据，从而提高模型的泛化能力。文章介绍了面向语法的快捷方式（UTE-SS）的不可学习文本示例生成算法，该算法结合文本的句法结构生成扰动语法，使模型学习语法模板和类别之间的快捷方式。

关键观点6: 联邦学习中数据异构性的挑战及解决方案。

联邦学习通过消除原始数据传输来促进多个客户端之间的协作训练，同时保护数据隐私。然而，参与者之间固有的数据异质性引发了偏差，降低了局部模型的性能。文章提出了一种新的联邦学习框架FedMPS，结合了多层次原型的对比学习和软标记生成，通过传输原型和软标签来减少全球知识转移和通信成本。