一、学术背景与研究动机 近年来，单细胞RNA测序（single-cell RNA sequencing, scRNA-seq）已成为生命科学与医学研究领域极具突破力的技术之一，使得研究者能够以单个细胞为单位，捕捉到众多细胞间转录水平的微妙差异。这项技术极大地丰富了细胞生物学，对理解细胞分化、发育和疾病发生机制具有重要意义。基于scRNA-seq数据，推断基因调控网络（gene regulatory networks, GRNs），进而揭示转录因子与靶基因间复杂的调控关系，已成为当前生物信息学和系统生物学中的关键问题之一。 然而，scRNA-seq数据本身具有高噪声、高稀疏性和“掉落事件”（dropout events）等特点，带来了极大的数据分析挑战。尤其是在分析时间序列单细胞数据（time...

探索同质与异质一致性标签关联的无监督可见光-红外行人重识别 背景介绍 可见光-红外行人重识别（Visible-Infrared Person Re-Identification, VI-ReID）是计算机视觉领域的一个重要研究方向，旨在从不同模态（可见光和红外）的图像中检索出同一行人的图像。这一任务在智能监控系统中具有广泛的应用前景，尤其是在夜间或低光照条件下，红外图像能够提供额外的信息。然而，现有的VI-ReID方法大多依赖于标注数据，而标注数据的获取既耗时又费力。因此，无监督的VI-ReID方法成为了一个重要的研究方向。 现有的无监督VI-ReID方法主要关注如何建立跨模态的伪标签关联，以弥合模态间的差异。然而，这些方法往往忽略了特征空间与伪标签空间之间的同质和异质一致性，导致生成的伪标...

结构增强的原型对齐用于无监督跨域节点分类 引言 随着现代信息技术的发展，图神经网络（Graph Neural Networks，GNNs）在处理复杂网络节点分类任务中展示了显著的成功。然而，其中一个关键问题是需要大量高质量标注数据，这对于图结构数据而言获取成本高昂且耗时。因此，如何将知识从一个标注丰富的图（源域）迁移到一个完全无标注的图（目标域）成为了亟待解决的重要问题。 研究背景及目的 作者所在团队来自浙江大学计算机科学学院、浙江省服务机器人重点实验室、以及新加坡国立大学计算学院。他们提出了一种名为结构增强的原型对齐（SEPA）的新型无监督图域适应框架，旨在通过构建基于原型的图和引入显式域差异度量来实现源域和目标域的对齐。该论文发表在《Neural Networks》期刊，并通过一系列实验...