国家预印本平台

Back-Propagation (BP) computes exact gradients of differentiable computational graphs via the chain rule. Its reverse sweep, however, transports products of transposed weight matrices and activation derivatives, and is sequential across depth. This paper proposes Physics-Structure-Driven Back-Propagation (PSDBP), an alternative credit-assignment framework motivated by the interpretation of a layered network as a structured physical system. PSDBP consists of three structural projections: adjoint demand transport ($W^T$), projected constitutive inversion ($\sigma^{-1}$ with range projection), and least-squares approximate inverse projection ($X^T$). We establish a precise relationship between these three operations and the Alternating Direction Method of Multipliers (ADMM): in the strong-penalty limit, the ADMM iterations for a lifted constrained formulation reduce to the three PSDBP projections, a relationship that serves as a theoretical justification for the architecture rather than a proof of convergence. We also prove three rigorous conditional results: the local inverse gain scales as the reciprocal constitutive slope, the transported demand contains no activation-derivative factors but remains sensitive to weight singular values, and the single-sample update is non-negatively aligned with the derivative-scaled local update. None of these results implies global descent or immunity to weight-induced signal attenuation. The framework establishes a structural credit-assignment mechanism that completely replaces the chain-rule-based gradient propagation of BP with three physically motivated projections: adjoint demand transport via the weight transpose, constitutive inversion via the inverse activation function, and weight updates via least-squares projection onto the input. This structural perspective provides a self-contained mathematical foundation for credit assignment in deep networks, orthogonal to the differential calculus underlying BP.

推动人工智能与企业低碳经济发展深度融合是培育新质生产力、实现"双碳"目标的关键路径。本文将人工智能试验区的设立作为准自然实验，采用多时间点差分模型，对中国2015至2024年的非金融类A股上市公司进行研究。研究发现，人工智能试点区政策能够提升企业的低碳经济发展水平，改结论在一系列稳健性检验后依然成立。机制分析表明，人工智能通过两条路径间接影响企业的低碳经济发展：一是提高企业的创新产出水平，二是降低供应链融资水平；同时，环境信息披露质量对人工智能的低碳经济赋能效应具有负向调节作用，而市场集中度则呈现正向调节作用。本研究不仅丰富了人工智能与低碳经济发展领域的文献体系，也为政府制定技术赋能低碳发展、协同保障公共健康的政策，以及企业精准践行低碳策略以实现环境与健康效益双赢，提供了实证依据与决策参考。

背景  感觉加工敏感性（SPS）研究正日益受到临床关注。目前国内使用的汉化版高敏感量表（HSPS）的测试对象主要是在校大学生和城市人群，但是该版本尚未在我国适龄劳动群体中验证。目的  通过消除人群受教育程度和出生地的测量偏差，获得适用于中国适龄劳动人口的SPS量表。方法  根据目标人群的认知习惯修订有关条目，并通过低受教育程度人群预调查确立初始量表。采用分层与有目的抽样从广东、重庆、湖南三地5家劳动密集型企业中，重点纳入一线员工。共回收有效问卷2 015份（有效率80.6%），随机分为探索性因子分析（EFA，n=1 007）和验证性因子分析（CFA，n=1 008）两组，6个月后重测获有效问卷267份。采用Python 3.13与R语言进行信效度检验、测量不变性检验，并结合人口学变量进行组间差异性分析与回归分析；采用逆概率加权（IPW）分析性别比例不均衡的潜在影响。结果  最终形成20个条目的中文版量表（HSPS-C20）。以三维双因子模型拟合良好：比较拟合指数（CFI）为0.974，近似误差均方根（RMSEA）为0.038，标准化残差均方根（SRMR）为0.028。总量表Cronbach's α=0.923，各维度Cronbach's α为0.802~0.885；重测信度［总量表组内相关系数（ICC）为0.707，各维度ICC在0.442~0.620］。双因子维度性指标共同方差解释率（ECV）为0.742，纯净相关占比（PUC）为0.679，ω=0.924，支持总分作为一维指标。对性别、受教育程度及出生地群体间检测，均达到严格测量不变性（ΔCFI<0.01）。性别与出生地对SPS得分有显著预测作用（β=0.119~0.172，P<0.001），其中出生地效应量较小（β=0.061~0.066，P<0.01）。IPW敏感性分析表明，性别不均衡未实质性干扰SPS评估结论。结论  修订后的HSPS-C20具有良好的信效度，可以作为评估我国适龄劳动人口感觉加工敏感性的可靠工具。

2025年中国广告业务收入突破2万亿元，同比增长32.6%，2026年上半年互联网广告占发布收入86%，但用户广告回避率持续攀升，形成“高投入—高回避”的行业困境。本文以路径依赖理论为分析框架，基于730份全国调研问卷数据，引入“锁定强度”（回避得分减互动得分）构念，系统考察用户广告防御的路径依赖特征。研究发现：（1）代际锁定强度存在显著分化，Z世代（0.54）与千禧一代（0.48）的防御程度远高于X世代（0.24），数字原住民的广告回避路径固化特征更明显，10后（0.28）则呈现路径松动的临界转变信号；（2）锁定强度对广告转化全环节具有显著负向影响（r=-0.15~-0.22，均p<0.001），锁定强度在控制人口统计变量后仍具有独立预测力（OR=0.863，p=0.044），深锁定用户转化率比浅锁定用户低14.3个百分点；（3）存在“频率感知悖论”，即认为“广告偏少”的用户锁定强度反而最高（0.73），为路径依赖的自我强化机制提供了直接行为证据。上述发现表明，“高投入—高回避”困境的核心根源是用户侧广告防御的路径依赖锁定，破解这一困境的核心思路需从“盲目加大投放强度”转向“差异化解锁路径”。

在全球人口老龄化持续推进的背景下，老年共病已成为威胁老年人群健康、加重医疗负担的重要公共卫生问题。科学、精准地量化评估老年共病负担，是实现老年疾病精准诊疗、预后预测及健康管理的关键。本文系统梳理老年共病评估工具的发展脉络，将其划分为三代演进体系，总结各类工具的核心特征、优势与局限。通过对比分析国内外研究现状与现实短板，发现现有工具存在评估标准不统一、本土化适配不足、疾病交互作用研究欠缺、临床转化不充分等问题。老年共病评估工具已从预测型向综合评估型、本土化与智能化方向递进演进。未来需立足中国老年人群疾病谱，强化本土化工具优化，关注共病演变的区域异质性与动态轨迹追踪，构建普适性快速筛查与模式特异性评估相结合的两步策略，并区分核心变量与扩展变量以平衡评估深度与效率，完善适配国情的共病评估体系，为健康老龄化提供支撑。