国家预印本平台

Across driven systems, a recurring empirical tension is observed: evolution remains coherent and produces durable structure, yet the underlying process cannot be reconstructed from local dissipation-based derivations. Observable trajectories persist longer and retain more organization than what local constraints alone would predict. This work treats this mismatch not as a modeling defect but as the starting phenomenon to be explained. We argue that under finite observation windows, what is accessed is necessarily a projection of ongoing irreversible change. Projection compresses continuous processes into finite, dimension-reduced representations, making time itself non-comparable across systems and shifting the basic object of comparison from time points to ordered paths. The observed contradiction between paths and local derivation then forces a separation: coherence can persist while phase reversibility fails. When relaxation is incomplete, prior change leaves retention that overlaps with subsequent driving, producing dislocated synchronization-new processes are imposed on unfinished remnants rather than replacing them. Most displacements dissipate, but a small subset survives, selected by coupling geometry. Under finite projection, this geometry becomes readable only statistically, yielding observable measures of coupling depth, orientation, and participation. The surviving outcomes appear as residuals: stable projected sections of high-dimensional dynamics. Lifespan differences among residuals lead to natural stratification, culminating in a durable topological skeleton that constrains future evolution. Persistence is thus explained as a consequence of irreversible projection, geometric selection, and stratified deposition, rather than optimization, design, or full process recoverability.

个性化学习路径规划通过分析学习者历史交互行为推荐有序的知识点序列，在提升在线教育效率与体验方面具有重要应用价值。然而，传统序列推荐方法（如SASRec、BERT4Rec）面临深层语义逻辑捕捉不足的问题，而直接应用大语言模型（LLM）则存在严重幻觉、长链路推理能力弱以及生成结果偏离教学大纲的局限。为此，提出一种基于检索增强图思维（RA-GoT）的个性化路径规划算法。该方法构建"相似路径检索 - 图式演化推理 - 候选约束映射"的结构化生成系统：利用 KNN 检索相似学习者的历史路径作为上下文参考，基于GoT框架执行"生成 - 批量对比打分 - 动态剪枝"的非线性规划，并通过模糊匹配机制将生成结果严格映射至知识库。在MOOCCubeX数据集上的实验表明，该方法的 Recall@10 和 NDCG@10 分别达到 65.81% 和 56.80%，相比 BERT4Rec 和 LLM-CoT等基线模型性能提升显著。该方法为大模型在教育推荐领域的落地提供了高可信、可解释的解决方案。

针对现有图像质量评估工具反馈单一、细粒度分析能力不足、缺乏成熟完整系统支持及模型适配性有限等问题，设计并实现一种融合自研微调模型与第三方开源模型的多模态细粒度图片质量评估系统。系统采用 C/S 与 B/S 混合架构及前后端分离设计，整合用户交互、业务处理、数据存储及多源 AI 模型推理等核心模块，支持多维度评分、可解释性评估报告生成、批量图像筛选、多模型适配切换等功能。通过显著物体识别、双图对比机制、动态损失函数优化及多模型协同推理策略，大幅提升细粒度曝光差异判别精度，同时保障系统的可靠性、易用性与扩展性。实际测试表明，系统在 KADID-10K、PIPAL 等基准数据集上表现优异，能有效满足专业摄影评估、摄影学习、商业图像筛选及日常图片管理等多场景需求，为图像质量评估提供高效、灵活、实用的解决方案。

左侧顶下叶(IPL)是语音范畴感知的重要脑区，它同样参与了汉语声调感知，但是对 其功能认识还没有得到一致的结论。本研究使用功能性近红外光谱(fNIRS)技术对左侧 IPL 参与声调感知进行功能定位(实验一)，然后使用经颅磁刺激(TMS)技术对左侧IPL进行虚拟 损伤(实验二)，建立左侧IPL与声调范畴感知的因果联系。实验一发现左侧IPL背侧通道不 仅对声调范畴敏感，范畴间比范畴内刺激对诱发了更强的氧合血红蛋白(HbO)浓度变化；还 对声学间隔敏感，小声学间隔比大声学间隔刺激对诱发了更强的HbO浓度变化。实验二分 别虚拟损伤左侧IPL的背侧和腹侧通道，发现当左侧IPL背侧通道虚拟受损后，该通道对声 调范畴的敏感性消失，而左侧IPL腹侧通道和前运动皮层通道对声学特征变得敏感。但是当 左侧IPL腹侧通道虚拟受损后，仅左侧额下回通道出现了功能代偿性地对声调范畴敏感。结 果表明左侧 IPL 背侧在汉语声调范畴感知中起到重要作用，而腹侧区域在语音感知的神经 生理模型背侧通路中起着门控作用。研究结果从声调语言的角度丰富了语音感知加工的神 经生理模型，阐明了背侧/腹侧语音加工通路在范畴感知中的协作机制。

联邦学习是一种在保护数据隐私的前提下，利用多方局部数据进行协作训练的分布式机器学习范式。然而，系统异质性导致的"掉队者问题"严重阻碍了训练效率，而数据异质性产生的非独立同分布数据则会降低模型性能。本文提出一种基于自蒸馏的掉队者自适应联邦学习方法。该方法首先根据计算与通信能力将客户端划分为"掉队者"和"领导者"。掉队者被分配与其能力相匹配的轻量化分类器，而领导者则利用深度分类器通过自蒸馏技术将知识传递给掉队者模型。这种策略确保了掉队者能有效参与训练，并最大限度减少性能损耗。此外，随着全局模型准确率的提升，算法将逐步增加领导者的比例，以进一步释放训练潜力。