IEEE TNNLS-2025年8月-最新在线出版论文12篇

主要观点总结

本文首先概述了近期关于神经网络领域的若干重要研究，这些研究涉及不同的技术方向和主题，包括信号分类、大型视觉语言模型的攻击、深度神经网络中的虫洞动力学等。文章将分别详细介绍各个研究的主要内容及成果，并以json格式展示每篇文章的主要关键点。

关键观点总结

关键观点1: 学习更好的SPD网络进行信号分类：黎曼批量归一化方法

为了解决SPD网络在计算SPD矩阵时的计算不稳定问题，提出了一种基于对数-乔列斯基度量的新型黎曼批量归一化算法。该算法具有更高的数值稳定性和计算效率。

关键观点2: 大型视觉语言模型攻击综述

介绍了针对大型视觉语言模型的攻击形式，包括攻击准备、挑战和资源等。系统地回顾了攻击方法的发展，并讨论了该领域的未来研究方向。

关键观点3: 深度神经网络中的虫洞动力学

研究了深度神经网络的泛化行为，特别是“愚弄示例”现象。提出了一种基于最大似然估计的分析框架，以探索这一现象。分析表明，在过参数化的情况下，深度神经网络表现出在输出特征空间中的崩溃，而添加更多层可能导致退化状态。

关键观点4: FedLSC：在有落后者和对手的联合学习中提高通信效率和鲁棒性

为了解决联合学习中的落后者、对手和通信成本问题，提出了FedLSC框架。通过层选择（LS）的预处理、基于LS的缩放符号随机梯度下降（SSS）和基于LSC的模型聚合等方法，增强健壮性和效率。

关键观点5:

提出了一种稳健的后思考机制，在基本原理之前生成答案，以提高模型的推理效率。同时，也提出了一种即插即用的自适应思维机制，综合预思考和后思考的优点。

关键观点6:

提出了一个基于因子纠缠的团簇感知模型，用于少激发分子性质预测。该模型可以学习不同任务簇中的可转移知识，并利用分子-性质和分子-分子关系的异质分子关系图来提高预测性能。

关键观点7:

介绍了一种深度逻辑卷积神经网络（DLCNN），用于船岸起重机起升机构的故障诊断。该网络结合了置信度和分类规则的可视化卷积神经网络工作方式。

关键观点8:

提出了一种约束驱动的因果表示学习方法，用于从有偏训练数据中识别和分离虚假潜在变量，以进行稳健的警戒估计。该方法结合了自监督预训练和约束驱动的因果信息解缠两个阶段。

关键观点9:

提出了一种结合网络中多个级别的拓扑和属性信息的网络对齐框架，该框架包括同质性、幂律和高阶结构的建模。介绍了一种专门为网络幂律结构建模的欧氏双曲交互式图学习方法。

关键观点10:

研究了多故障下记忆神经网络（MNN）的同步问题，并基于状态反馈和输出反馈的故障函数观测器设计了容错同步方案。

关键观点11:

提出了一种基于深度多流形变换的多变量时间序列故障检测方法。通过将邻域驱动的数据增强策略与多流形表示学习框架相结合，提高了模型对分布变化的适应性。