HARN：面向事件驱动多时间周期预测的分层联想共振网络
针对金融时间序列在多时间尺度预测中重复计算不变表征的难题，研究者提出了分层联想共振网络（HARN）。该模型专为事件驱动的多周期预测设计，通过在不同时间层级维护持久化表征，仅在对应周期的K线数据生成完成后才触发该层更新，显著避免了冗余计算。其架构综合了因果多尺度时间编码、门控联想记忆、跨层级共振以及分层证据聚合机制。
DC AI 热点
精选
当前热点完整榜单 →
1Black Forest Labs 推出开源具身智能模型 FLUX 3 Action79 热度 ⌁2谷歌、OpenAI与Anthropic拟联合组建AI安全标准自律组织SAFA77 热度 ⌁3谷歌云 API Gateway 支持 MCP：将 REST API 原生转化为 AI Agent 工具77 热度 ⌁4Sakana AI聘请AI先驱Jürgen Schmidhuber担任首席科学顾问77 热度 ⌁5Agent Plugins 1.0.0 发布：科技巨头联手推跨平台 Agent 技能与 MCP 打包规范75 热度 ⌁9月24日2026-09-24
Ruby-ASR：面向正字法与词汇读音联合识别的语音识别监督新方法
针对传统日语自动语音识别（ASR）以正字法文本作为监督目标导致相同书写形式无法区分不同实际发音、且事后文本转音素难以可靠恢复的问题，研究团队提出了 Ruby-ASR。该方法将传统的单一文本监督目标改进为跨度绑定的正字法与词汇读音联合序列，通过类旁注标记（ruby）的表示形式，完整保留了语音中的读音证据，有效提升了复杂读音场景下的识别监督精度。