Zhengzhou University of Light Industry

2 篇关联报道

订阅更新

researchsquare.com 2026年11月11日
后门样本不再只看最后一层：CLEAR把跨层极值响应拼起来，Tiny-ImageNet平均TPR达99.54%
CLEAR把后门样本检测从单层激活搬到跨层极值响应上：先用批归一化统计量把各隐藏层特征对齐到同一尺度，再取每个通道的空间最小值作为异常表示，并用粒子群优化搜索层间权重。在CIFAR-10与Tiny-ImageNet上，CLEAR的平均真阳性率分别为97.54%和99.54%，平均假阳性率为0.16%和0.03%，高于AC、SCALE-UP、AIBD与CCD；用其清洗后的数据重训，模型准确率接近良性模型。
CLEAR把后门样本检测从单层激活搬到跨层极值响应上：先用批归一化统计量把各隐藏层特征对齐到同一尺度，再取每个通道的空间最小值作为异常表示，并用粒子群优化搜索层间权重。在CIFAR-10与Tiny-ImageNet上，CLEAR的平均真阳性率分别为97.54%和99.54%，平均假阳性率为0.16%和0.03%，高于AC、SCALE-UP、AIBD与CCD；用其清洗后的数据重训，模型准确率接近良性模型。
Zhengzhou University of Economics and Business China Railway Group (China)Zhengzhou University Zhengzhou University of Light Industry
Hui Li（第一作者）Wanwei Huang（通讯作者）
CLEAR框架后门检测粒子群优化聚类
researchsquare.com 2026年10月23日
阿尔茨海默病诊断换用双视图脑图：AD与CN分类准确率从82.06%升到89.90%
结构磁共振的脑区图不再只按一种预设关系连边。MVMGNN把脑区当作节点、影像组学特征当作节点属性，同时构建空间近邻图和特征相似图，并在每个视图内用节点—边联合掩码筛掉冗余特征与弱相关连接，再用患者级跨视图门控融合两路表示。在ADNI队列上，AD与CN分类的准确率由对比方法中表现最好的RSEA-MVGNN的82.06%升到89.90%，F1由75.02%升到86.24%；AD与MCI、CN与MCI两项更难的任务上优势较小。
结构磁共振的脑区图不再只按一种预设关系连边。MVMGNN把脑区当作节点、影像组学特征当作节点属性，同时构建空间近邻图和特征相似图，并在每个视图内用节点—边联合掩码筛掉冗余特征与弱相关连接，再用患者级跨视图门控融合两路表示。在ADNI队列上，AD与CN分类的准确率由对比方法中表现最好的RSEA-MVGNN的82.06%升到89.90%，F1由75.02%升到86.24%；AD与MCI、CN与MCI两项更难的任务上优势较小。
Michigan Technological University Kennesaw State University Zhengzhou University of Light Industry
Ni Yao（第一作者）
影像组学图神经网络多模态融合

已读完全部报道

后门样本不再只看最后一层：CLEAR把跨层极值响应拼起来，Tiny-ImageNet平均TPR达99.54%

阿尔茨海默病诊断换用双视图脑图：AD与CN分类准确率从82.06%升到89.90%