闭环脑刺激不再只追目标波形：CLEAR-FORCE把脑反馈并入误差，模拟中同步与抑制都奏效
闭环脑刺激的控制器通常按预设目标训练，难以跟随脑活动的实时波动。CLEAR-FORCE把储层网络输出的目标误差与模拟脉冲网络群体膜电位的反馈误差合并，在刺激进行中实时更新读出权重。在两组脉冲神经元仿真中，它分别诱导出30 Hz振荡并压制阵发性爆发；闭环反馈强度高于零时误差低于开环，但反馈过弱反而差于开环。
环形去中心化联邦学习里噪声会随跳数累积：FedSharp把拜占庭攻击下的MNIST准确率拉到93.5%以上
去中心化联邦学习没有中心服务器，模型逐跳转发时链路噪声会累积，学习率衰减后更明显，拜占庭节点还能借低损失伪装成诚实模型的均值。FedSharp让每个节点保留前驱的模型副本，用逐坐标中位数偏差筛掉单参数突变的模型，再对低损失候选取平均，并加入随噪声调整的梯度范数正则与近端训练。在100节点、33个拜占庭节点的环形拓扑上，MNIST准确率为93.5%–94.9%，单模型选择基线为29.4%–38.1%。
自回归生成被划出边界：小状态采样器做不了伪随机与隐写，插入式生成可以
自回归逐词生成的能力边界被完整刻画：带少量私有状态的采样器无法采样伪随机生成器输出，而允许任意位置插入的插入式采样器可以做到。
云游戏不再整帧同码率：按兴趣给关键物体留清晰度，5G下QoE至少高两成
云游戏传输把码率决策从整块视频下放到单个游戏物体：先用现成语义分割模型把每帧拆成物体，再由深度强化学习智能体结合玩家在游戏内的移动速度、物体语义与运动特征以及当前网络状况，判断哪些物体是玩家真正关注的，并给它们分配更高分辨率、给其余物体降分辨率以省带宽。在5G、4G和WiFi三种无线场景的仿真中，该方案在自建QoE指标上优于现有ABR算法，5G场景下归一化平均QoE至少高出20%；34人主观评测中平均意见分为4.16，高于Pensieve的2.49、T-Gaming的3.74和MetaABR的2.86。
BRACE 为 LSR 稠密联想记忆提供差分隐私检索，在 MNIST 上把预测误差从 0.061 降到 0.011
作者为 log-sum-ReLU 稠密联想记忆（LSR-DAM）提出首个差分隐私检索机制 BRACE：它先识别因隐私噪声而改变归属的记忆点并做自适应边界修正，再注入校准噪声，从而抑制紧凑支撑检索中边界切换导致的误差累积；理论上证明其终端与全轨迹检索误差达到极小极大最优，并给出刻画隐私噪声贡献的轨迹中心极限定理；合成实验显示微小扰动即可改变 11 个门成员，MNIST 检索中预测 MSE 由损坏输入的 0.061 降至 0.011，接近无噪声检索。
DreamTest 用世界模型替代仿真器：在 Parking、Humanoid、DonkeyCar 上把失败预测 AUPRC 最高提升 97%，同等预算下多发现 79% 新失败
DreamTest 把递归状态空间模型改造成测试用世界模型，从 DRL 智能体的训练日志中学习智能体行为与环境动力学，对候选配置并行生成想象回合并以终止概率加权的失败预测打分，从而在不执行仿真器的情况下引导搜索；在 Parking、Humanoid、DonkeyCar 三个基准上，其平均 AUPRC 分别比最强基线高约 97%、12%、39%，五个分布外集合上最高增益达 145%、29%、44%，在相同仿真验证预算下最佳“DreamTest+搜索”组合平均多发现 29%、22%、79% 的新失败。
Sherlin与Longo提出神经调节实践中AI伦理框架：以不透明度、临床后果与监督距离三维风险连续体，配套五要素临床政策表
Sherlin与Longo针对自动qEEG分析、方案推荐系统、AI辅助文书以及来访者自行带入治疗的消费级心理健康应用等多条路径进入神经调节实践的AI工具，指出目前尚无专门针对神经调节的伦理准则直接回应这些应用，因而以BCIA、ISNR、APA、ACA伦理准则及APA（2025）AI伦理指南为基础，提出一个概念性与实用性伦理框架，包含沿不透明度、临床后果、与监督距离三个维度组织的风险连续体模型，覆盖知情同意与透明、从业者胜任力与执业范围、数据隐私与供应商问责、以及幻觉、自动化偏差与共谋三类AI准确性风险四个伦理领域，并以表格形式给出可直接用于临床的五要素实践政策框架，主张现有伦理原则在自觉应用时
已读完全部报道