近日，我校電氣學院陳利娟老師作為第一作者和通訊作者，我校作為第一單位和通訊單位，與上海理工大學、電子科技大學🪟、四川大學🦨、德國漢堡大學德國國家工程院院士團隊合作，在國際知名期刊NEUROCOMPUTING和NEURAL NETWORKS上分別發表題為“State estimation for memristive neural networks with mixed time varying delays via multiple integral equality”和“Semantic consistency learning on manifold for source data-free unsupervised domain adaptation”的學術研究論文📞。NEUROCOMPUTING（IF=5.779）和NEURAL NETWORKS（IF=9.657）在神經網絡和人工智能領域具有很高的學術聲譽🥮。

基於憶阻器的神經網絡具有低功耗🎲、高度可擴展、高度可適應等特點⛅️，對於突破當前基於“馮·諾依曼”架構的神經網絡計算瓶頸具有重要意義📋。作為憶阻神經網絡中的典型特征，時滯是造成系統不穩定的關鍵因素之一🦻。針對該問題😶🏄🏼‍♂️，陳利娟老師提出了混合時滯的憶阻神經網絡狀態估計問題📓，研究混合時滯憶阻神經網絡保守性，通過非脆弱狀態估計，建立基於估計誤差的系統漸近穩定充分條件☺️，提供了保守性判定的理論依據🛌🏽，為憶阻交叉陣列等真實憶阻神經網絡的設計提供了理論指導。

此外✅，針對無源無監督領域自適應這一熱點遷移學習問題，陳利娟老師等提出了一種基於流形語義一致性的深度學習方法。該方法通過挖掘隱藏在數據流形中的具有語義關聯的幾何約束關系，有效克服了目標領域語義標簽缺失🦞，實現了基於自監督學習的模型遷移，在開源的標準數據上，取得了SOTA的性能🍩🥁。由於並不需要源領域的任何數據♛，該方法在涉及隱私保護、信息安全的人工智能應用中具有獨特優勢🧗🏼‍♂️。

以上兩項工作陳利娟老師均依托摩臣5娱乐博士科研啟動基金完成。（供稿：電氣學院）

論文鏈接🥓⛹️：https://doi.org/10.1016/j.neucom.2022.06.044

https://doi.org/10.1016/j.neunet.2022.05.015