跳到正文
只看模型架构#提供代码链接
10月8日周四
  1. arXiv · 时序与音频基础模型72

    重新审视媒体桥接时序预测中的身份与频谱离散：关联多变量信号与叙事流

    基于摘要分析。研究针对多变量数值预测与文本辅助多模态预测依赖不同关系、融合和时序模块的问题，提出 Multimedia Identity-Aware Prism Network（MIDAPN），尝试建立共享的时空预测骨干。其核心是结合媒体通用图适配与自动时序学习，处理跨媒体身份区分及时间尺度不匹配。 机制方面，方法以媒体预对齐为前提：Multimedia Identity-Aware Graph（MIDAG）从静态本质、动态行为和潜在共性构建亲和关系，将变量间依赖扩展到跨媒体关系；Contextual Identity Modulation（CIM）进一步细化具有区分性的聚合。Spectral Prism Convolution（SPConv）承担层次化时间分析，平衡粗粒度趋势与细粒度细节，Adaptive Search Guidance 则配置适合时间维度重建的尺度高效架构。具体图构建、频谱操作、搜索空间、损失与训练流程尚未验证。 作者报告，在涉及 13 个多变量数据集、12 个多模态数据集及 16 个被称为 SOTA 的 TSF 对照模型的评估中，MIDAPN 表现出持续优势和共享骨干兼容性；摘要还提及面向长上下文、与 14 个时序基础模型及融合预训练语言模型的针对性比较。摘要未提供数据集名称、划分、预测跨度、指标和具体分数，不能据此量化提升或判断不同协议间的可比性。实验协议、消融及统计信息尚未验证。摘要提供了代码链接，但实现完整性与复现条件尚未核对。 平台推测（待验证）：迁移假设是将 EEG 通道视为变量，利用图适配处理通道依赖，以层次化时间分析处理多尺度动态；若加入事件描述等文本，还需要可靠的时间与语义预对齐。可尝试复用图聚合和时间分析模块，但需改造通道身份表示及媒体对齐流程。低信噪比、伪迹、跨被试差异、通道缺失和小样本可能使亲和关系或尺度搜索不稳定。一个可证伪的小实验是在固定跨被试划分的 EEG 预测任务中，比较完整方法、移除 CIM 的版本与固定时间尺度版本，保持预处理和训练预算一致，检验预测误差及通道缺失下的稳定性；预测收益不等于 BCI 解码收益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 MIDAPN 如何以媒体通用图适配和自动时序学习统一数值与文本辅助预测，以及其优势是否依赖媒体预对齐；对 EEG 的适用性尚未验证。

  2. arXiv · 其他神经模态79

    SpikeSSL：采用动力学启发状态空间层的通用脉冲推断框架

    基于摘要分析。该研究针对双光子钙成像中不同钙指示剂的荧光动力学与信号统计差异导致脉冲推断泛化困难的问题，提出 SpikeSSL，以动力学启发的状态空间骨干、条件调制和仿真数据增强支持跨指示剂推断。 其时间骨干由一组双向 IIR 状态空间层构成，设计受到钙动力学启发。多模态条件编码器将指示剂身份、采样率及单条轨迹的信号统计映射为全局条件向量，再通过 Adaptive Layer Normalization 调制骨干；异方差方差预测头用于逐帧不确定性估计。摘要未披露具体损失、状态参数化和训练细节，不能从 SpikeSSL 名称推断其采用自监督训练。 作者报告，在由 33 个公开真实标注数据集构建、包含五个固定评估划分的基准上，SpikeSSL 在域内及零样本 leave-one-indicator-out 设置下达到最先进性能，但摘要未提供指标数值、对照方法及划分细节。作者还构建了生物物理仿真流程，系统改变动力学参数、脉冲统计、响应非线性、基线漂移与噪声，生成约 11,000 条模拟轨迹；作者报告，加入这些数据训练可有效缩小跨指示剂域差距并改善零样本泛化。其改善幅度及适用边界尚未验证。 复现时需核对真实标注来源、固定划分与留出指示剂设置、条件统计的计算方式、仿真参数覆盖范围，以及条件调制和仿真增强的独立贡献。不确定性是否校准也需结合正文中的校准指标核验。作者提供了公开代码地址，但代码完整性、运行条件、实验协议、消融及统计信息尚未验证。 该任务是从钙荧光信号推断神经脉冲，并非直接的 EEG/BCI 解码。平台推测（待验证）：动力学先验与采样率条件调制可能为跨采集条件的 EEG 建模提供参考，但钙响应机制不能直接对应 EEG 生成机制，现有摘要不足以确认迁移路径；相关 EEG 工作尚未检索确认。

    阅读价值：值得核对其动力学启发的状态空间建模、条件调制与生物物理仿真增强能否共同改善未见钙指示剂的零样本脉冲推断，尤其是跨指示剂评估协议和不确定性校准证据。

10月7日周三
  1. arXiv · 学习目标与优化73

    基于 2.5D 无条件流先验的零样本脑 MRI 图像修复

    基于摘要分析。该研究针对脑 MRI 病灶区域的健康组织合成，试图缓解完整 3D 方法计算开销高、逐切片 2D 方法切片间不连续，以及条件模型需要针对掩码输入训练的问题。作者提出以相邻轴向切片三元组学习 2.5D 无条件流先验，并在推理阶段通过 Restora-Flow 引入输入掩码约束，实现零样本图像修复；这里的零样本指无需针对修复任务进行条件训练，并非模型未经训练。 核心机制：训练时，flow matching 模型学习相邻轴向切片三元组的联合分布，以捕获上—下方向的空间上下文，并将病理区域明确排除在损失计算之外。推理时，模型沿深度轴自回归处理切片三元组，由 Restora-Flow 将无条件先验与输入掩码约束结合。最终生成多次随机重建并取平均，形成预测结果。其方法特点是用局部跨切片建模替代完整 3D 卷积，同时将先验学习与任务约束分开。 结果：作者报告，该策略相较 2D 基线改善了结构不连续问题，并在轴向、矢状和冠状平面保持体积一致性。在官方 BraTS 2026 Inpainting Challenge 验证集上，作者报告 SSIM 为 0.816 ± 0.112、MSE 为 0.007 ± 0.005、PSNR 为 22.923 ± 4.343。摘要未说明这些离散量的统计定义、指标计算区域及强度归一化方式，因此不能据此与其他评估协议直接比较。 复现与局限：摘要提供了代码仓库。训练数据构成、被试数与划分、病理区域排除的具体实现、Restora-Flow 配置、随机重建次数、计算资源，以及实验协议、消融及统计信息尚未验证。需重点核对 2.5D 建模、深度自回归和重建平均各自的贡献，以及局部三切片上下文是否足以保持长距离解剖一致性。该工作面向结构性脑 MRI 修复，不是已验证的 EEG 或 BCI 方法；摘要也未提供下游配准、脑提取或分割收益的定量证据。

    阅读价值：值得核对其相邻切片联合先验与 Restora-Flow 推理约束能否在降低三维计算开销的同时改善体积连续性，尤其需结合全文验证对照协议及随机重建平均的贡献。

10月5日周一
  1. arXiv · 表征与预训练73

    拓扑引导、提示条件化的超声与 MRI 子宫结构通用分割

    基于摘要分析。该研究针对超声与 MRI 子宫多结构分割中影像外观、解剖上下文、空间分辨率及标签空间不同所带来的联合学习困难，提出 Topology-informed Prompt-conditioned Universal Segmentation（TPUS），在统一框架内进行模态适配、任务条件化预测与解剖一致性约束。 机制上，TPUS 的多数据集骨干由模态专属输入模块和模态共享的图结构编码器—解码器组成，分别用于输入适配、结构特征推理及联合表征学习。任务感知的类别提示用于区分数据集与标签空间，动态卷积适配模块生成任务专属输出，拓扑引导损失鼓励预测满足解剖一致性。摘要未提供图构建方式、提示编码、动态卷积参数生成机制或损失具体形式，尚不能判断这些设计分别如何缓解负迁移。 作者报告，在一个子宫超声数据集和一个 T2 加权子宫肌瘤 MRI 数据集的各自留出测试集上，TPUS 的 Dice 分别为 0.898 和 0.693，并优于若干通用分割基线。数据集名称、样本规模、划分单位、具体基线、Dice 汇总方式及统计不确定性尚未验证；两个数值对应不同模态和任务，不能直接比较。摘要提供了代码地址，但实现、训练配置及复现可用性尚未核验，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 多任务或跨数据集学习同样面临通道配置与标签空间异构，模态专属输入适配、共享表征和任务类别提示可能具有可复用价值。迁移假设依赖可对齐的任务语义与通道结构；子宫解剖拓扑及分割损失不能直接用于 EEG，需改造为时序表征、通道图和相应任务目标。低信噪比、跨被试差异、通道缺失及小数据条件可能使共享表征产生负迁移。可在两个标签语义可对齐的 EEG 数据集上固定按被试划分的训练与测试协议，对比共享骨干与加入输入适配、任务提示的版本，检验其相对单任务模型是否改善迁移。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 TPUS 如何通过模态专属输入适配、任务类别提示与拓扑约束联合处理异构标签空间；作者报告了两个留出测试集的分割结果，但各模块贡献与负迁移缓解效果尚未验证。

9月30日周三
  1. Europe PMC · BCI / PubMed63

    用于 SSVEP-BCI EEG 解码的空间与通道重建引导频率—时间—空间深度神经框架

    基于摘要分析。该研究针对 SSVEP-BCI 深度学习解码模型复杂度较高、依赖大量校准数据的问题，提出 Spatial and Channel Reconstruction-based Frequency-Time-Space Deep Convolutional Neural Network（SCR-FTSDNN），通过频率、时间与空间特征建模及空间与通道重建，提高 SSVEP 目标识别能力。 机制方面，原始 EEG 首先经 Fourier transform 转换到频域，提取初步频率相关表征，再通过时间卷积捕获动态时间特征。网络引入空间与通道重建卷积模块，以增强判别特征提取；同时采用空洞卷积扩大频率、空间和时间特征的感受野。作者将冗余信息抑制和关键判别成分强化归因于这些设计，但摘要未给出重建模块的具体运算、特征组织方式、损失函数或训练细节，相关机制仍需结合全文核对。 评估方面，作者报告在两个公开 SSVEP 数据集 Benchmark 和 BETA 上开展系统实验，并与多种已有方法比较；作者报告该方法具有更好的识别准确率和稳健性，尤其在有限校准数据条件下表现较好。摘要未提供具体 Accuracy、ITR、校准数据量、对照方法或数据划分，因此无法判断结果对应被试内还是跨被试协议，也不能量化收益或直接比较不同协议下的性能。 复现方面，摘要提供了公开代码地址，可据此核对模型实现与实验配置。重点应验证有限校准数据的定义、训练与测试划分、空间和通道重建及空洞卷积的独立贡献，以及参数量、计算开销和推理时延；这些信息决定其是否真正缓解校准与部署负担。实验协议、消融及统计信息尚未验证，当前证据不足以确认实际使用中的疲劳减轻或用户体验改善。

9月17日周四
  1. OpenReview · State space models73

    RS-SSM：精炼状态空间模型中遗忘的细节以用于视频语义分割

    基于摘要分析。该研究针对 Video Semantic Segmentation（VSS）中固定大小状态空间压缩可能遗忘时空细节、限制像素级分割能力的问题，提出 Refining Specifics State Space Model（RS-SSM），通过对遗忘信息进行补偿性精炼，改善语义对象分割的时序一致性与细节建模。 机制上，作者认为状态空间模型能够保留共性语义信息，但难以完整保留像素级任务所需的特定信息。RS-SSM 使用 Channel-wise Amplitude Perceptron（CwAP）提取并对齐状态空间中特定信息的分布特征，再由 Forgetting Gate Information Refiner（FGIR）依据该分布自适应反演并精炼遗忘门矩阵，利用反演后的遗忘门补偿状态压缩过程中被遗忘的细节。摘要未提供反演的数学定义、模块连接方式、损失函数或训练与推理细节，尚不能判断其额外计算与存储开销。 作者报告，在四个 VSS 基准上，RS-SSM 达到最先进性能并保持较高计算效率；摘要未给出基准名称、数据划分、对照方法、指标数值及效率测量条件，实验协议、消融及统计信息尚未验证。材料提供了代码仓库地址，但实现内容与复现条件尚未核对，不能由仓库名称推断论文已接收或正式发表。 平台推测（待验证）：假设 EEG 序列模型的固定状态压缩也会削弱短暂、局部的判别性活动，则“按信息分布补偿遗忘”的机制可能具有迁移价值，但视频像素结构与 EEG 通道—时间结构不同。可考虑复用遗忘门精炼思想，并改造 CwAP 的分布表征；监督需求与训练规模尚未验证。低信噪比下的幅度变化可能使模块放大伪迹，跨被试、通道布局变化及小数据训练也可能导致失效。一个可证伪的小实验是在固定 EEG 任务、划分和训练预算下，对比原状态空间模型与加入精炼模块的版本，并分别移除 CwAP、FGIR，核对任务指标及计算开销。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其利用信息分布自适应反演遗忘门、补偿状态压缩中丢失细节的机制，以及分割性能与计算效率的权衡；摘要中的领先性能结论仍需全文实验支持。

5月1日周五
  1. OpenReview · State space models76

    SF-Mamba：重新思考用于视觉的状态空间模型

    基于摘要分析。本文针对视觉 Mamba 的扫描机制限制图像 patch 间非因果交互、多扫描策略带来数据重排开销，以及短 token 序列下计算速度较慢的问题，提出 SF-Mamba，尝试同时改善视觉编码的信息流与计算效率。 核心机制包括两项：辅助 patch swapping，在单向扫描中编码双向信息流；batch folding 配合周期性状态重置，以提升 GPU 并行度。其思路不是单纯增加扫描方向，而是重新组织 patch 交互与计算执行。摘要未说明交换规则、折叠维度、状态重置周期，以及这些操作如何保持上下文信息，具体实现尚未验证。 作者报告，在图像分类、目标检测、实例分割和语义分割实验中，SF-Mamba 在不同模型规模下优于作者所称的最先进基线，并提升吞吐量。摘要未提供数据集、划分、评价指标、数值、硬件环境及吞吐测量条件，因此目前不能量化性能收益或判断不同设置下的可比性；实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但代码内容、运行依赖与复现结果尚未核验。 平台推测（待验证）：若 EEG 被组织为时间片段或通道—时间 token，patch swapping 可能为单向扫描补充双向上下文，batch folding 则可能改善短序列训练或推理的 GPU 利用率。这一假设依赖 token 的时空结构及计算规模，视觉任务中的收益不能直接视为 BCI 效果。迁移时需改造交换规则以匹配电极与时间关系，并核对周期性状态重置是否截断关键时序信息；低信噪比、跨被试差异、通道变化和小数据可能削弱收益，在线因果解码也需单独评估。可先在固定 EEG 数据划分和硬件条件下，对比原始单向 Mamba 与分别加入两项机制的版本，记录任务指标、吞吐及延迟，以检验机制收益能否迁移。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对 SF-Mamba 如何以 patch swapping 和 batch folding 同时改善视觉状态空间模型的信息交互与 GPU 吞吐，但性能优势及其对 EEG 的迁移价值尚需验证。

  2. OpenReview · EEG74

    PCRNet：用于基于 EEG 的听觉注意解码的相位感知复数细化网络

    基于摘要分析。该研究针对多说话者环境中的 EEG 听觉注意解码（Auditory Attention Decoding，AAD），目标是识别被试正在关注的说话者。作者提出 Phase-aware Complex Refinement Network（PCRNet），结合时域上下文建模与相位引导的频域处理，以改善结构化神经信号与随机噪声的区分。 方法包含 Temporal Context Calibration（TCC）和 Dual-Domain Integration（DDI）两个模块。TCC 通过多尺度时间注意机制捕获长程时间依赖；DDI 采用相位引导的频谱滤波，动态抑制噪声占主导的频率，并分别细化实部与虚部。作者将这一设计解释为能够实现相位重新校准、增强复数域目标特征的可区分性。摘要未提供相位引导的具体计算方式、噪声频率判定依据、两模块的融合细节或训练损失，相关实现尚未验证。 作者报告，在三个公共数据集上，PCRNet 优于所比较的 SOTA 方法，尤其是在具有挑战性的 0.1 秒窗口条件下。摘要未列出数据集名称、被试数量、数据划分、被试内或跨被试协议、评价指标、具体分数及对照方法，因此尚不能量化其优势或判断不同评估条件下的泛化能力。实验协议、消融及统计信息尚未验证。 复现时值得优先核对：0.1 秒窗口对应的实际输入范围及 TCC 可利用的时间上下文，相位处理相对于仅使用幅值或不进行相位校准的对照贡献，以及跨被试、跨会话条件下的稳定性。这些属于待核对事项，不代表作者未开展相关实验。摘要提供了代码仓库地址，但代码内容、运行条件及其与论文实验的一致性尚未验证。

    阅读价值：值得核对其相位引导频谱滤波能否提升极短窗口下的 AAD 解码：摘要给出了明确的复数域处理机制，但性能优势及其对相位信息的依赖仍需全文实验验证。

  3. OpenReview · State space models80

    论结构化状态空间对偶

    基于摘要分析。本文研究 Structured State-Space Duality（SSD）的适用范围，将标量乘单位状态矩阵的 SSM 与 masked attention 之间的既有等价关系推广到一般对角 SSM，并分析等价成立的条件及标准 softmax attention 下的边界。 原有 SSD 将状态矩阵为标量乘单位矩阵的 SSM，与采用 1-semiseparable 因果掩码的自注意力对应起来：同一个序列变换可由线性时间 O(T) 递归或二次时间 O(T²) attention 实现，其中 T 为序列长度；这些复杂度描述的是对应算法实现，不代表任意 SSM 或 attention 的通用复杂度。 作者报告，一般对角状态矩阵可支持更丰富的动态，同时达到标量情形相同的训练复杂度下界；作者还给出 SSM 等价于 1-semiseparable masked attention 的充要条件，并指出由于秩膨胀，这种对偶不能推广至标准 softmax attention。摘要未给出具体复杂度下界表达式、充要条件的数学形式或证明假设，这些仍需正文核对。上述贡献属于理论结论，不能据此推断任务精度、实际训练速度或硬件效率提升。摘要提供了代码地址，但实现内容及复现条件尚未验证。 平台推测（待验证）：一般对角 SSM 的递归计算与更丰富状态动态，可能为长 EEG 序列建模提供候选模块；这一假设依赖 EEG 的时间顺序结构，并不意味着原文已验证 BCI 效果。可复用部分是状态更新及其等价计算形式，需另行设计多通道输入映射、监督目标和跨被试评估。低信噪比、通道差异与小样本可能使更丰富的动态难以稳定学习。一个可证伪的小实验是，在固定 EEG 数据划分、预处理及训练预算下比较标量与一般对角 SSM，分别记录任务指标、运行时间和内存，并验证等价实现的输出一致性。已有 EEG 相关工作尚未检索确认；本文实验协议、消融及统计信息尚未验证。

    阅读价值：值得核对其一般对角 SSM 的复杂度结论与等价条件，这些理论结果有助于明确递归状态空间计算与 masked attention 可互换的范围，而非将该对偶泛化到标准 softmax attention。

3月10日周二
  1. OpenReview · EEG68

    面向长序列 EEG 建模的高效自监督框架

    基于摘要分析。该研究针对 EEG 低信噪比、被试间差异及 Transformer 长序列建模计算开销较高的问题，提出自监督框架 EEGM2，将 Mamba-2 集成到 U 形编码器—解码器中，并采用联合 L1-spectral loss，兼顾时域动态与频谱特征。 核心机制是利用 Mamba-2 的选择性信息传播捕获长程依赖。作者称该框架具有线性复杂度，相较 Transformer 方法可减少内存使用并加快推理。联合 L1-spectral loss 的设计意图是同时约束时域与频域信息，但具体损失定义、权重、预训练任务、输入表示及训练流程尚未验证，不能仅凭摘要判断其信息保留效果或各组件贡献。 作者报告 EEGM2 在短序列和长序列建模中达到最先进性能，并表现出较强的 Cross-subject 泛化与跨域迁移能力。摘要未提供数据集、被试数、序列长度、划分方式、指标数值及对照基线，因此尚不能量化性能收益，也不能将跨域迁移直接等同于 Cross-dataset 或 Cross-session 结果。实验协议、消融及统计信息尚未验证。 复现时应重点核对不同序列长度下的计算量、峰值内存和推理延迟，以及对应硬件、批量大小和基线配置；同时检查 Cross-subject 划分与迁移评估条件，以区分架构效率收益和训练设置的影响。作者提供了模型与代码仓库，但仓库内容、权重及运行条件尚未核验。面向资源受限 BCI 设备的适用性是作者提出的应用判断，摘要未给出设备端实测证据。

1月26日周一
  1. OpenReview · State space models70

    点聚焦注意力与上下文扫描状态空间相结合：面向点云表征的鲁棒仿生视觉感知

    基于摘要分析。该研究针对点云表征学习中局部精细几何与全局上下文难以协同建模的问题，提出 PointLearner，以受中央凹视觉启发的点聚焦注意力和受眼跳启发的上下文扫描状态空间，形成先聚焦、后获取上下文的处理机制。 局部机制通过局部邻居与空间下采样特征之间的竞争性归一化注意力建模几何结构。下采样特征由基于可学习诱导点的池化方法提取；摘要称，诱导点数量可控，且与点云直接交互，从而适应点云的非均匀分布。全局机制使用 Hilbert curve 引导的扫描路径驱动双向 S6，以推断场景的整体语义结构和空间内容。这里的仿生描述属于设计动机，不能据此视为已验证的生物视觉机制。 作者报告 PointLearner 在多个点云任务上具有较强鲁棒性，并达到 state-of-the-art 性能，但摘要未给出任务名称、数据集、指标、数值及对照协议，因此尚不能核对优势幅度或适用边界。具体注意力公式、训练目标、扫描组织方式、实验协议、消融及统计信息尚未验证。摘要提供了代码链接，但实现完整性与复现条件尚未核验。 平台推测（待验证）：若将 EEG 电极视为空间采样点，可假设局部注意力与诱导点池化有助于处理不规则通道布局，而上下文扫描用于跨通道信息整合；原方法依赖点云空间几何，其监督方式和数据规模尚未明确。迁移需改造 EEG 时间特征编码，并核对 Hilbert curve 排序是否保留有意义的电极邻接关系。低信噪比、跨被试差异、稀疏通道及小样本均可能使该机制失效。可在固定 Cross-subject 划分下，对同一 EEG 编码器分别加入诱导点池化和上下文扫描，与原编码器比较，并测试通道缺失扰动；这只是可检验假设，不是已证实的 BCI 效果。已有相关 EEG 工作尚未检索确认。

    阅读价值：值得核对 PointLearner 如何通过可学习诱导点、局部竞争注意力与双向 S6 扫描协同建模局部几何和全局上下文，但其鲁棒性与性能优势目前仅有摘要中的作者报告支持。

  2. OpenReview · State space models77

    使状态空间模型在视觉任务中实现真正的全局感知

    基于摘要分析。该研究针对视觉任务中全局上下文建模缺乏严格数学定义，以及注意力计算成本与状态空间模型（SSMs）递归建模限制之间的矛盾，提出全局图像建模的数学定义和频域理论框架，并据此设计 Global-aware SSM（GSSM）与可嵌入 CNN 的 GMamba 模块。 核心机制是基于 Discrete Fourier Transform（DFT）的调制，在 SSM 前端控制其建模行为，以频域视角处理递归机制对全局感知的限制。作者称已形式化证明 GSSM 满足所提出的全局图像建模定义，并报告其计算复杂度为线性对数级。摘要未给出定义的具体条件、调制形式、训练目标及复杂度所对应的输入规模变量，因此尚不能判断该定义与常见全局感受野或全局信息交互的关系。 作者报告，在目标检测、语义分割和实例分割任务、以及多种模型架构中，GMamba 均优于现有全局建模模块；但摘要未列出数据集、划分、对照模块、评价指标或具体增益，不能据此判断优势幅度及不同协议下的可比性。作者提供了代码链接，代码完整性、运行条件、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 DFT 调制的全局建模机制能够适配多通道时间序列，它可能用于探索 EEG 长时程信息交互，但视觉结果不等于 BCI 有效。原方法面向图像结构，其监督方式与所需数据规模尚未明确；迁移时需改造时间与通道布局、频域调制及任务输出模块，并核对是否需要双向或完整片段输入。低信噪比、跨被试频谱差异、通道变化及小数据过拟合均可能使收益失效。可在固定 EEG 数据划分与相同训练预算下，对比基础 SSM、加入 GSSM 的版本及移除 DFT 调制的版本，检验任务指标与计算开销，并分别报告被试内和跨被试结果。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其全局建模的数学定义与 DFT 调制如何改变 SSM 的递归建模限制，但理论证明的适用条件、计算复杂度口径及视觉实验对照尚需全文核对。

12月31日周三
  1. OpenReview · State space models74

    DAMamba：具有动态自适应扫描的视觉状态空间模型

    基于摘要分析。本文研究视觉状态空间模型（SSMs）将图像块展开为序列时，手工设计扫描方式可能破坏语义空间邻接关系、限制复杂结构建模的问题，提出 Dynamic Adaptive Scan（DAS），并据此构建视觉骨干 DAMamba；主要研究对象是图像任务，而非 EEG 或 BCI。 核心机制是以数据驱动方式自适应分配扫描顺序与扫描区域，替代固定的局部或全局扫描。作者称该机制在保持线性计算复杂度与全局建模能力的同时提高建模灵活性。摘要未说明扫描分配如何学习、采用何种监督与损失、顺序选择是否可微，以及复杂度结论的具体计算范围，这些均尚未验证。 作者报告，DAMamba 在 image classification、object detection、instance segmentation 和 semantic segmentation 等任务上优于现有先进视觉 Mamba 模型，并超过部分近期先进 CNNs 与 ViTs。摘要未提供数据集、模型规模、指标数值、训练配置或具体对照，因此目前无法判断优势幅度及性能与计算开销的权衡；实验协议、消融及统计信息尚未验证。摘要表示代码将公开，不能据此确认代码已可用。 平台推测（待验证）：若 EEG 任务以具有明确电极空间关系的时空块作为输入，DAS 的自适应排序与区域分配或可用于检验固定通道序列化是否限制建模。该假设依赖可靠的电极拓扑及足够的数据来学习扫描策略；可借鉴扫描分配思想，但需改造输入表示与空间约束。低信噪比、小数据及跨被试或通道配置变化可能使扫描策略拟合噪声或被试特征。一个可证伪的小实验是在同一 EEG 数据划分、相同训练配置与近似参数预算下，对比固定拓扑扫描和自适应扫描，核对其在跨被试评估中的收益与开销。已有 EEG 相关工作尚未检索确认，视觉结果不构成 BCI 有效性的证据。

    阅读价值：值得关注其通过数据驱动的扫描顺序与区域分配缓解图像序列化中语义空间邻接关系受损的机制，但具体实现、视觉性能优势及向 EEG 的迁移价值尚需验证。

  2. OpenReview · State space models83

    通过结构化稀疏转移矩阵实现状态空间模型中的状态跟踪

    基于摘要分析。本文研究状态空间模型（SSMs）中转移矩阵的计算效率与有限状态自动机（FSA）状态跟踪表达能力之间的权衡，提出 PD-SSM，以结构化稀疏参数化降低非结构化转移矩阵的计算与存储成本，同时保留较强的状态跟踪能力；主要研究对象是通用序列建模，并非 EEG 或 BCI。 核心机制是将转移矩阵表示为列 one-hot 矩阵 P 与复数对角矩阵 D 的乘积。作者报告，这一结构使并行扫描的计算成本随状态维度线性增长，递推成本与对角 SSM 相当。理论上，作者报告模型满足有界输入有界输出（BIBO）稳定性，并可用一个维度为 N 的层及大小为 N × N 的线性读出模拟任意 N 状态 FSA；作者称该结果改善了现有结构化 SSM 的表达能力保证。稳定性条件、矩阵参数的学习方式与证明适用范围尚需核对全文。 实验方面，作者报告 PD-SSM 在多种 FSA 状态跟踪任务上显著优于多种现代 SSM 变体；在多类别时间序列分类上，表现与 neural controlled differential equations 相当。作者还将其整合进 Transformer-SSM 混合架构，报告模型能够跟踪由变长英文句子编码转移规则的复杂 FSA。摘要未提供具体数据集、划分、指标、基线名称或统计结果，实验协议、消融及统计信息尚未验证。材料提供了代码地址，但实现细节与复现条件尚未核查。 平台推测（待验证）：若 EEG 任务需要持续保留离散事件或任务阶段信息，PD-SSM 的状态跟踪机制可能成为可测试的序列模块；这一假设依赖信号中存在可识别的状态转移结构及相应监督。可复用其稀疏递推模块，但需改造 EEG 输入编码与任务读出。低信噪比、跨被试差异、通道变化及小数据可能使输入无法可靠对应离散状态，从而削弱理论表达能力的实际价值。一个小规模可证伪实验是：在固定被试内划分、相同输入编码与训练预算下，比较 PD-SSM 和对角 SSM 对 EEG 任务阶段标签序列的状态跟踪表现，并检验噪声扰动下的稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 PD-SSM 如何以结构化稀疏转移矩阵兼顾有限状态自动机的状态跟踪表达能力与递推效率，但其对 EEG 长时序建模的价值尚未验证。

  3. OpenReview · State space models68

    基于 Alternative State Space Model 与注意力的光学多普勒断层成像稀疏重建

    基于摘要分析。本文研究光学相干多普勒断层成像（ODT）的稀疏重建，提出 Alternative State Space Attention Network（ASSAN），目标是减少重建血流图像所需的原始 A-scans，从而缓解密集采样带来的扫描时间与存储负担。主要研究对象是血流成像，而非 EEG 解码或 BCI。 ODT 的 A-scan 是一维深度分辨信号，沿 B-line 采集的 A-scans 经多普勒相位相减形成二维 B-scan。ASSAN 利用两个方向的信息分布差异：对每条 A-line 使用一维 State Space Model（SSM）学习 A-scan 内部表征，沿 B-line 使用一维门控自注意力捕获 A-scans 之间的关系；另以沿不同轴依次执行的一维卷积构成前馈网络，增强局部特征。其可核对的方法特点是按轴分配建模机制，而非对全部二维信息采用同一种算子。 作者报告，在真实动物数据的验证实验中，ASSAN 相较于其称为最先进的重建方法表现出重建有效性。摘要未给出动物数量、采样稀疏率、训练与测试划分、对照方法名称或数值指标，因此不能量化性能增益，也不能判断不同采样条件下的稳定性。实验协议、消融及统计信息尚未验证。摘要提供了源代码链接，但代码内容、数据可用性及运行条件尚未核验。 平台推测（待验证）：可迁移的假设是“依据轴向结构差异组合 SSM 与注意力”，而不是 ODT 的血流成像结论。若用于 EEG 稀疏信号重建，可尝试时间轴 SSM 与通道关系注意力，但需改造通道位置编码、缺失掩码及重建目标；EEG 通道轴并不等同于规则扫描轴，低信噪比、跨被试差异和小数据可能使该设计失效。一个可检验的小实验是在固定 EEG 数据划分与缺失通道协议下，对照纯 SSM、纯注意力及组合结构，核对重建误差与下游任务表现。已有 EEG 相关工作尚未检索确认。

  4. OpenReview · State space models73

    用于遥感变化检测的 Change State Space Model

    基于摘要分析。该研究针对遥感双时相图像变化检测，提出专门面向变化信息的 Change State Space Model：聚焦两个时相之间的相关变化、筛除无关信息，以降低模型开销并保持检测能力。研究对象是遥感图像，不是 EEG 或 BCI。 核心机制与对照：摘要将 ConvNets 的长距离依赖建模局限、ViT 的计算开销，以及已有 Vision Mamba 主要作为特征提取骨干的用法作为动机。所提方法强调直接针对变化特征设计 State Space Model，而非仅替换骨干。作者报告，聚焦变化特征能够减少网络参数并提高计算效率；但摘要未说明变化特征如何构造、筛选如何实现，也未提供损失函数、训练和推理细节。 评估证据：作者报告，在三个基准数据集的遥感变化检测评估中，该模型优于 ConvNets、ViT 和 Mamba 类对照，同时计算复杂度更低，并具有对输入退化的鲁棒性。数据集名称、数据划分、指标数值、对照配置、退化类型及强度均未在摘要中给出，实验协议、消融及统计信息尚未验证，因此不能据此量化性能提升或判断优势的适用范围。摘要称实现将在论文被接收后公开；当前接收状态与代码可用性尚未验证。 平台推测（待验证）：其“保留相关变化、抑制无关信息”的机制可能用于成对 EEG 片段的状态变化检测，但这是迁移假设。原任务依赖双时相图像及其空间对应关系，EEG 应用需重新定义时间对齐、通道对应和目标变化监督，并改造输入表示与变化筛选模块；摘要不足以确认哪些模块能直接复用。低信噪比、跨被试差异、通道变化及小数据训练可能使筛选机制误删弱任务信号，或保留伪迹变化。一个可检验的小实验是在固定被试内划分下，以同一 State Space Model 骨干比较启用与不启用变化筛选的成对 EEG 状态检测，保持训练条件一致，同时记录任务指标、参数量、运行开销与预设噪声扰动下的表现。该方向已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其面向双时相变化的 State Space Model 如何筛除无关特征，以及性能、计算开销和输入退化鲁棒性之间的权衡，但摘要尚不足以验证这些优势或其 EEG 迁移价值。

  5. OpenReview · State space models71

    用于全色锐化的监督式细节引导多尺度状态空间模型

    基于摘要分析。本文研究遥感图像全色锐化：利用全色（PAN）图像与低分辨率多光谱（LR-MS）图像重建高分辨率多光谱（HR-MS）图像。作者提出 SDMSPan，将细节引导上采样、多尺度空间—光谱监督与状态空间建模结合，以改善空间细节利用，并兼顾局部及长程依赖建模的效果与计算成本。 核心机制：SDMSPan 包含三个残差状态空间模块（Res-SSMs），分别处理三个空间尺度的图像信息；每个模块在对应尺度建模 PAN 与 LR-MS 图像之间的局部及长程依赖。相邻 Res-SSMs 之间设置细节引导上采样块（DGUB），以 PAN 图像的空间细节引导中间特征上采样；多尺度中间空间—光谱监督策略用于监督各 DGUB 的训练。摘要未给出具体监督目标、损失形式、状态空间实现及计算复杂度测量。 创新与证据：方法针对普通上采样未充分利用领域信息、多尺度空间特征利用不足，以及 CNN 局部感受野和 transformer 二次计算复杂度带来的限制。作者报告，在其全色锐化实验中，SDMSPan 的性能显著优于其他先进方法；但摘要未提供数据集、划分、对照方法、评价指标或数值，因此不能量化优势，也不能将“显著”直接视为已核实的统计显著性。实验协议、消融及统计信息尚未验证。作者提供了代码链接，其可运行性、训练配置与结果复现条件尚未核验。 平台推测（待验证）：可迁移的机制假设是“用细节较丰富的辅助观测引导多尺度特征重建”，而非直接复用遥感全色锐化任务。原方法依赖配对且空间对应的 PAN/LR-MS 图像及重建监督；若用于 EEG 多分辨率重建，需要改造上采样与监督模块，并处理时间轴、通道拓扑及辅助观测的对应关系。低信噪比可能使伪迹被当作细节放大，跨被试差异、通道缺失和小样本也可能削弱引导效果。一个可检验的小实验是在固定被试内划分下，以高采样率 EEG 的降采样版本构造重建任务，对比普通上采样与细节引导模块，且辅助信息不得使用测试目标中不可获得的细节。该实验仅检验重建机制，不证明 BCI 解码收益；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 SDMSPan 如何结合 PAN 细节引导上采样、多尺度中间监督与状态空间建模；作者报告的性能优势尚需全文实验协议支持，其 EEG 适用性未验证。

  6. OpenReview · State space models70

    DA-Mamba：用于多模态参与度估计的对话感知选择性状态空间模型

    基于摘要分析。该研究面向对话场景中的人类参与度估计，利用面部表情、语音、手势及随时间变化的行为线索，提出 DA-Mamba，以 Mamba 选择性状态空间处理替代计算开销较高的注意力式对话编码，兼顾时序建模与跨模态推理。原论文研究对象是多模态对话参与度，而非 EEG 解码或 BCI。 架构包含三个核心模块：Dialogue-Aware Encoder、Modality-Group Fusion 和 Partner-Group Fusion，后两者均采用 Mamba。摘要提出该架构具有线性时间与内存复杂度，但未给出各模块的具体运算、对话伙伴关系的编码方式、损失函数或训练细节，因此其复杂度适用条件及关系建模机制仍需正文核对。 作者报告，在 NoXi、NoXi-Add 和 MPIIGI 三项基准上，DA-Mamba 的 concordance correlation coefficient（CCC，一致性相关系数）超过此前 SOTA 方法，同时减少训练时间和峰值内存。摘要未提供具体 CCC 数值、收益幅度、数据划分、对照方法或硬件条件，不能据此量化优势或判断跨场景泛化。更长序列处理与资源受限场景下的实时部署是作者提出的应用收益，实际延迟及部署条件尚未验证。实验协议、消融及统计信息尚未验证；摘要称源代码将公开，当前可用性未核实。 平台推测（待验证）：假设其优势来自长时序处理及模态、交互伙伴的分组融合，则可能用于同步 EEG 与行为信号的参与度估计。迁移依赖时间对齐的多模态序列、参与度监督和明确的交互伙伴结构；可考虑复用状态空间时序处理与融合思路，但需改造 EEG 输入表征、采样对齐和缺失模态处理。低信噪比、通道变化、跨被试差异及小数据训练可能使收益消失。可在固定跨被试划分和相同 EEG 输入下，小规模比较 Mamba 与注意力式时序编码器的 CCC、延迟和峰值内存，再检验分组融合的增益。上述为迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 DA-Mamba 的对话关系建模与两类融合机制能否在降低计算开销的同时保持 CCC 表现；摘要报告了三项基准结果，但具体收益、评估协议及 EEG 迁移有效性尚未验证。

  7. OpenReview · State space models69

    PhysMamba：用于远程生理测量的协同状态空间对偶模型

    基于摘要分析。PhysMamba 面向从人脸视频提取生理信号的 Remote Photoplethysmography（rPPG），旨在缓解运动伪影、光照变化和噪声造成的测量不稳定。其核心贡献是基于 Synergistic State Space Duality（SSSD）的双路径时频交互模型，将状态空间模型与注意力机制结合，并通过 Multi-Scale Query（MQ）促进信息交换和特征表征。 机制与创新：摘要明确描述了双分支框架及状态空间模型、注意力和 MQ 的协同，但未交代时域与频域表征如何构建、分支如何融合，以及损失、训练和推理流程。作者声称首次在此类双分支框架中整合状态空间模型与注意力机制，该优先性尚未独立核验。 实验与证据：作者报告，在 PURE、UBFC-rPPG 和 MMPD 上优于现有先进方法，并具有更好的准确性与泛化能力。摘要未给出具体指标、数值、数据划分或对照基线，因此不能确定优势对应被试内、跨被试还是跨数据集评估，也不能量化抗运动、抗光照变化的收益。实验协议、消融及统计信息尚未验证。材料提供了代码仓库入口，但实现完整性、环境依赖与复现结果尚未核验；远程患者照护和实时应用属于作者提出的应用方向，不等同于临床验证或已证实的实时性能。 平台推测（待验证）：假设时频交互与长序列建模能够迁移，可探索其对 EEG 非平稳信号与伪影干扰的适用性，但 rPPG 的人脸视频结构不等同于 EEG 多通道时序。可复用候选是状态空间—注意力交互及 MQ，需改造输入编码、通道组织和任务输出；低信噪比、跨被试差异、通道变化与小数据训练可能使收益消失。一个可检验的小实验是在固定跨被试 EEG 划分下，匹配训练预算比较加入与不加入 MQ 的模型，并施加一致的噪声扰动，检验收益是否稳定。已有相关 EEG 工作尚未检索确认。

  8. OpenReview · State space models67

    MambaHash：用于大规模图像检索的视觉状态空间深度哈希模型

    基于摘要分析。本文研究如何将图像映射为二值哈希码，以支持大规模图像检索，并探索 Mamba 在深度图像哈希中的适用性。作者提出视觉状态空间哈希模型 MambaHash，结合分阶段骨干网络、分组 Mamba 操作、通道交互注意力和自适应特征增强模块，提升图像表示与检索能力。 核心机制是沿不同通道组执行多方向 Mamba 扫描，以建模局部和全局信息；随后通过通道交互注意力增强跨通道的信息交流，并使用自适应特征增强模块增加特征多样性。摘要以 Vision Mamba 的线性时间复杂度作为方法动机，但尚不能据此确认完整 MambaHash 的计算与存储成本。哈希码生成方式、训练损失、监督信号及各模块的具体实现尚未验证。 作者报告，在 CIFAR-10、NUS-WIDE 和 IMAGENET 三个数据集上，与先进深度哈希方法相比，MambaHash 具有较好的效率与检索性能。摘要未提供指标数值、哈希码长度、查询与检索库划分、具体基线或运行成本，因此不能量化收益或判断不同协议下的可比性。实验协议、消融及统计信息尚未验证。材料提供了源代码地址，复现时仍需核对代码版本、训练配置和评估协议。 平台推测（待验证）：其分组扫描与跨通道交互机制，可作为 EEG 片段检索中联合建模时间结构和通道关系的候选方案，但这只是迁移假设，并非已证实的 BCI 效果。原方法依赖图像空间结构，迁移需改造输入表示、扫描方向及通道分组，使其适配电极拓扑与时间轴；哈希监督也需对应明确的 EEG 检索目标。低信噪比、跨被试差异、通道配置变化和小数据训练可能使哈希码主要编码噪声或被试身份。一个可检验的小实验是在固定 EEG 数据划分、检索目标与码长下，对比普通骨干、分组 Mamba 及加入通道交互的版本，分别评估被试内与跨被试检索表现及计算成本。相关 EEG 工作尚未检索确认。

  9. OpenReview · State space models70

    NDMamba：用于夜间图像去雨的双先验状态空间模型

    基于摘要分析。NDMamba 面向夜间图像去雨中计算效率与恢复质量的权衡，以及低照度条件下雨线与照明交互建模不足的问题，提出由照明和雨分布双先验引导的状态空间模型。 机制上，作者借鉴 Retinex 理论，以场景反射分量影响雨线分布为出发点，设计 Prior Extraction Module（PEM），联合建模照明条件与雨退化。Prior-Guided Mamba Block（PGMB）包含引入照明先验的 Lighting-Adaptive Vision State-Space Module（LVSSM），以及用于细化局部特征的 Rain Distribution Guidance Module（RDGM）。摘要未说明先验的具体计算方式、注入位置、损失函数或训练流程，尚不能判断各模块贡献及额外计算开销。 作者报告，NDMamba 在合成与真实场景基准数据集上优于现有先进方法；但摘要未给出数据集名称、划分、对照方法、恢复质量指标或效率测量条件，因此无法核对优势幅度及比较前提。实验协议、消融及统计信息尚未验证。摘要提供了公开代码地址，但代码可用性、训练配置与复现依赖尚未核验。 平台推测（待验证）：可借鉴的是“以退化先验引导状态空间特征处理”的思路，而非直接将照明和雨分布先验用于 EEG。假设能够从 EEG 构造可靠的通道质量或伪迹先验，可探索其是否改善低信噪比条件下的表征；这需要改造先验提取及其与时间、通道结构的结合方式。图像反射与照明分解不等同于 EEG 信号与伪迹分离，先验误差、跨被试和通道差异、小数据过拟合均可能使迁移失败。一个可证伪的小实验是在固定跨被试划分、相同训练预算下，对比无先验、质量先验及打乱先验的状态空间模型，检查先验收益是否稳定且超过额外复杂度带来的收益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对双先验如何参与状态空间建模及其效率—恢复质量权衡，但摘要中的优势尚缺具体指标与协议支撑，不能直接推导为 EEG/BCI 收益。

9月19日周五
  1. OpenReview · State space models83

    利用结构化稀疏转移矩阵实现状态空间模型中的状态追踪

    基于摘要分析。本文研究状态空间模型（SSMs）中结构化转移矩阵的计算效率与有限状态自动机（FSA）模拟能力之间的权衡，提出 PD-SSM：用列 one-hot 矩阵 P 与复数对角矩阵 D 的乘积参数化转移矩阵，以低成本递推支持更强的状态追踪。主要研究对象是通用序列建模与 FSA 状态追踪，并非 EEG/BCI。 核心机制是通过 P 表达稀疏状态路由、通过 D 提供对角变换，避免使用高成本的非结构化转移矩阵。作者报告，平行扫描的计算成本随状态维度线性增长，递推成本与对角 SSMs 相当。理论上，作者报告模型具有 BIBO（有界输入—有界输出）稳定性，并可用一个维度为 N 的单层模型及 N×N 线性读出模拟任意 N 状态 FSA，达到其所述的最优状态维度与深度。需注意，递推的线性成本不等于读出及完整模型的全部成本均为线性；具体理论条件与证明尚需全文核对。 实验方面，作者报告 PD-SSM 在多种 FSA 状态追踪任务中显著优于多种现代 SSM 变体，在多变量时间序列分类中优于 neural controlled differential equations；将其嵌入混合 Transformer-SSM 架构后，还能追踪转移由变长英文句子集合编码的复杂 FSA。摘要未提供数据集、划分、具体基线、指标或分数，实验协议、消融及统计信息尚未验证，不能据此判断真实时序任务中的优势幅度或稳定性。作者提供了代码链接，但实现、运行配置与复现结果尚未核验。 平台推测（待验证）：假设 EEG 任务包含可由序列转移描述的潜在状态，PD-SSM 的状态路由机制可能用于检验时序记忆瓶颈，而非直接解决信号去噪或跨被试域偏移。可复用其递推模块，但需改造 EEG 输入编码与任务读出；FSA 理论保证不能直接覆盖连续、低信噪比的神经信号，通道变化、被试差异和小数据训练也可能削弱收益。一个可证伪的小实验是在固定 EEG 编码器、匹配状态维度与训练预算的条件下，对比 PD-SSM 与对角 SSM，并分别报告被试内和跨被试表现、计算开销及噪声敏感性。已有相关 EEG 工作尚未检索确认。

    阅读价值：值得核对 PD-SSM 如何以结构化稀疏转移兼顾 FSA 状态追踪表达能力与递推效率，以及其理论保证能否转化为真实多变量时序任务的收益；EEG/BCI 适用性尚未验证。

  2. OpenReview · Representation learning78

    Latent Zoning Network：生成建模、表征学习与分类的统一原则

    基于摘要分析。该研究面向通用机器学习中的生成建模、表征学习与分类，提出 Latent Zoning Network（LZN），尝试以共享高斯潜空间及编码器—解码器组合统一三类任务；摘要中的实验证据来自图像任务，并非 EEG 或 BCI 验证。 核心机制是为不同数据类型（如图像、文本、标签）配置编码器和解码器，将样本映射至互不相交的潜空间区域，再从潜变量还原数据。任务由模块组合表达：标签编码器与图像解码器实现标签条件图像生成，图像编码器提供表征，图像编码器与标签解码器实现分类。摘要未说明分区构造、具体训练损失及共享高斯空间的约束方式，不能据此认定所有任务均采用同一训练目标。 作者报告，在 CIFAR10 图像生成实验中，将 LZN 与 Rectified Flow 结合且不修改训练目标，FID 从 2.76 降至 2.59。作者报告，LZN 可在不使用辅助损失函数的情况下实现无监督表征学习，在 ImageNet 下游线性分类中相对 MoCo 和 SimCLR 分别提升 9.3% 与 0.2%；摘要未明确这些百分数是相对增幅还是百分点差，也未给出具体分类指标及完整评估协议。作者还报告，图像与标签编码器、解码器可联合完成生成和分类，在 CIFAR10 上改善 FID 并达到其所称的 SoTA 分类 Accuracy，但未提供具体数值。实验协议、消融及统计信息尚未验证。摘要提供代码及训练模型地址，其可用性与复现条件尚未核查。 平台推测（待验证）：假设潜空间分区能够保留 EEG 的任务信息，该组合原则可能用于连接 EEG 表征学习、标签预测与条件生成；可复用的是潜空间组织与模块组合思路，需改造的是时序信号编码、解码及通道处理。原文涉及无监督表征学习和带标签任务，但各阶段的数据规模与监督依赖尚未验证。低信噪比、被试差异、通道变化及小数据可能使分区更多反映干扰因素而非任务类别。一个可证伪的小实验是在固定 Cross-subject 划分和相同编码器预算下，对比 LZN 与常规表征学习基线的线性分类 Accuracy，并控制潜空间分区条件，检验增益是否依赖该机制。已有 EEG 相关工作尚未检索确认。

    阅读价值：LZN 将生成、表征学习与分类组织为共享潜空间中的编码器—解码器组合，值得核对其潜空间分区机制及无辅助损失的训练条件，但摘要中的性能增益仍需结合完整协议验证。

4月14日周一
  1. OpenReview · State space models74

    nnMamba：基于状态空间模型的 3D 生物医学图像分割、分类与标志点检测

    基于摘要分析。该研究面向 3D 生物医学图像中的长程体素依赖建模，提出 nnMamba，将 CNN 的局部表征能力与状态空间模型（SSM）的全局上下文建模相结合，用于图像分割、分类与标志点检测，而非直接研究 EEG 或 BCI。 核心模块为 Mamba-In-Convolution with Channel-Spatial Siamese learning（MICCSS），用于建模长程体素关系；此外引入 channel scaling 与 channel-sequential learning，以增强密集预测和分类任务的表现。其方法动机是缓解 CNN 局部感受野的限制，同时应对 Transformer 在高维医学图像上的计算负担。摘要未提供模块内部结构、体素序列化方式、损失函数、训练策略或实际计算成本，这些细节尚未验证。 作者报告，在七个数据集上的实验覆盖 3D 图像分割、分类和标志点检测，并优于所比较的现有先进方法。但所给材料未列出数据集名称、划分方式、基线、评价指标及具体数值，因此无法判断各任务收益的幅度与适用范围，也不能确认其效率优势。实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但实现内容、运行条件和结果可复现性尚未核验。 平台推测（待验证）：假设局部特征提取与 SSM 长程建模的组合可用于 EEG 长时间窗建模，其可复用部分可能是 CNN–SSM 的组合思路；原方法依赖 3D 体素空间结构，而 EEG 的时间轴、通道拓扑及任务监督不同，需改造输入组织与通道建模。低信噪比、跨被试分布变化和小样本可能削弱收益，体素关系也不能直接等同于电极关系。一个可检验的小实验是在固定跨被试划分、相同预处理与训练预算下，对比 CNN 基线及加入 SSM 的变体，检验长时间窗任务表现与计算成本是否同时改善。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其将 CNN 局部表征与 SSM 长程建模结合的 MICCSS 机制，并核对不同 3D 图像任务上的收益与计算代价；摘要中的领先结果尚需全文实验协议支持，不能直接视为 EEG/BCI 有效性的证据。

1月23日周四
  1. OpenReview · Representation learning75

    面向表征学习的鲁棒性重编程

    基于摘要分析。本文研究能否在不改变已训练深度学习模型参数的前提下，通过模型重编程增强其对对抗扰动或输入噪声的鲁棒性。作者重新考察表征学习中的特征变换机制，提出非线性鲁棒模式匹配作为替代，并设计三种模型重编程范式，以适应不同的效率要求。 技术机制：摘要将方法与鲁棒统计联系起来，核心是调整特征变换，而非修改原模型参数。但模式匹配的数学定义、重编程作用位置、是否引入可训练附加参数、损失函数，以及三种范式各自的训练与推理开销均尚未验证。“不改变模型参数”不能据此理解为完全无需训练或没有额外计算成本。 作者报告，在涵盖基础线性模型、MLPs、浅层及现代深层 ConvNets 的实验与消融中，该方法表现有效。摘要未提供数据集、扰动类型与强度、评估指标、对照基线或具体数值，因此目前不能量化收益，也不能判断对抗鲁棒性与普通噪声鲁棒性的改善是否一致。实验协议、消融及统计信息尚未验证。材料提供了实现仓库，但代码完整性、运行依赖及复现条件尚未核验。 平台推测（待验证）：若该机制能用于时序特征变换，则可能为冻结 EEG 解码器后的噪声鲁棒性改造提供思路；这是假设，不是论文已验证的 BCI 结论。可复用对象是鲁棒模式匹配与重编程框架，需改造其对多通道时序输入及通道结构的适配；所需监督信息与数据规模尚不明确。低信噪比条件下，鲁棒处理可能同时抑制微弱任务信号，也未必能解决跨被试分布差异或通道缺失，小数据下附加模块还可能过拟合。一个可检验的小实验是冻结同一 EEG 解码器，在固定被试内划分下，对比原模型与重编程版本在干净输入和预先定义的噪声扰动下的 Accuracy 与推理开销，且保持测试数据不参与拟合。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其非线性鲁棒模式匹配如何在冻结模型参数的条件下改变特征变换，以及三种重编程范式的鲁棒性与效率权衡；摘要尚不足以确认其对 EEG 的适用性。

1月1日周三
  1. OpenReview · State space models74

    基于状态空间模型的医学点云分层特征学习

    基于摘要分析。该研究面向医学点云理解，提出基于状态空间模型（SSM）的分层特征学习框架，并构建 MedPointS 数据集，用于解剖分类、点云补全和分割。原论文的主要研究对象是医学点云的几何结构，而非 EEG 或 BCI 信号。 核心机制是通过最远点采样将输入点云下采样为多个层级，在各层执行一系列 k-nearest neighbor（KNN）查询，聚合多尺度结构信息。为使 SSM 处理不规则点集，作者引入 coordinate-order 与 inside-out 扫描策略进行序列化；随后通过 vanilla 和 group Point SSM blocks，逐步从短邻域序列与长点序列计算特征，以捕获局部模式和长程依赖。具体扫描规则、模块结构、损失函数及训练配置尚未验证。 作者报告，在 MedPointS 的解剖分类、补全和分割任务上，该方法均取得优于对照的表现，但摘要未提供指标数值、对照方法、样本规模或划分协议，不能据此量化优势。实验协议、消融及统计信息尚未验证。摘要提供了数据集获取地址，并说明代码已合并至公开医学影像平台 flemme；可复现性仍需核对数据版本、预处理、配置与运行环境。 平台推测（待验证）：其可迁移机制可能是利用空间邻域聚合与点集序列化处理不规则 EEG 电极布局，对应跨设备通道位置不一致的建模问题，而不是直接移植医学点云任务。该假设依赖可用的电极坐标及相应信号数据；可复用邻域构建和扫描思路，但需改造输入特征、时间建模及任务监督。EEG 低信噪比、稀疏通道、跨被试差异和小数据规模可能使几何邻近关系失去预测价值。可检验的小实验是在固定 EEG 数据划分、通道配置和训练预算下，仅比较坐标扫描与随机排序，检查效果及其在通道删减后的稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其将不规则医学点云序列化并结合局部与长程 SSM 建模的具体机制，但摘要中的性能优势及向 EEG/BCI 迁移的适用性尚需验证。

  2. OpenReview · State space models71

    核心—边缘原理引导的功能连接组分类状态空间模型

    基于摘要分析。本文研究 fMRI 功能连接组分类，提出 Core-Periphery State-Space Model（CP-SSM），旨在兼顾脑区间复杂依赖的表征能力与计算效率，主要应用方向是基于神经影像的神经系统疾病诊断，而非直接研究 BCI 解码。 方法包含两个要点：采用选择性状态空间模型 Mamba，以线性复杂度建模功能脑网络中的长程依赖；引入核心—边缘组织原理指导的 Mixture-of-Experts 模块 CP-MoE，以改善脑连接模式的表示学习。摘要将核心—边缘结构描述为有助于高效信息传递的脑网络特征，但未说明核心与边缘如何识别、连接组如何序列化，以及专家路由如何利用该先验；这些机制及训练目标尚未验证。 作者报告，在 ABIDE 与 ADNI 两个 fMRI 基准数据集的分类评估中，CP-SSM 的分类表现优于 Transformer 类模型，并显著降低计算复杂度。摘要未提供具体分类任务、样本量、划分协议、指标数值、对照模型配置或运行资源，因此尚不能判断性能增益大小，也不能将理论复杂度优势等同于已量化的实际加速。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，复现时仍需核对数据预处理、功能连接构建、序列顺序和计算成本测量条件。 平台推测（待验证）：若 EEG 功能连接图中存在稳定且可估计的核心—边缘结构，CP-MoE 的结构先验与 Mamba 的依赖建模可能用于跨被试连接图分类。可考虑复用状态空间建模与专家模块，但需改造节点定义、连接估计及序列化方式；低信噪比、通道布局差异和小样本可能使结构估计不稳定或导致过拟合。一个可证伪的小实验是，在固定 EEG 连接构建流程与跨被试划分下，对比 Mamba、加入 CP-MoE 的模型及随机化核心—边缘分配的对照，同时测量分类指标与运行成本，以检验收益是否来自结构先验。相关 EEG 工作尚未检索确认。

    阅读价值：值得关注其将脑网络核心—边缘组织先验与 Mamba、Mixture-of-Experts 结合的具体机制，但相对 Transformer 的性能与计算优势仍需结合全文协议核对，不能据此认定其对 EEG/BCI 有效。

  3. OpenReview · State space models71

    HydraMamba：用于全局点云学习的多头状态空间模型

    基于摘要分析。HydraMamba 面向点云学习中长程依赖建模、无序点集序列化和局部几何学习难以兼顾的问题，提出结合 shuffle serialization、ConvBiS6 与多头 S6（MHS6）的状态空间模型网络。 核心机制：摘要以注意力机制的二次复杂度为背景，利用 Mamba 核心选择性状态空间模型 S6 的线性复杂度与长程建模能力处理全点云交互。shuffle serialization 旨在使无序点集更适配 S6 的因果特性；ConvBiS6 旨在协同捕获局部几何与全局上下文依赖；MHS6 将多头设计扩展到 S6，以增强建模能力。具体排序方式、层内结构、多头融合、损失函数及训练流程尚未验证，不能仅凭模块名称确定其实现。 结果与复现：作者报告 HydraMamba 在物体级和场景级的多项任务上达到 state-of-the-art，但摘要未提供任务名称、数据集、划分、指标数值及对照基线，因此尚不能判断收益大小或跨协议可比性。摘要提供了代码地址，实际可运行性、配置和计算成本尚未验证；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移至 EEG 的假设是，将电极及其空间位置视作带信号特征的点集，复用局部—全局建模与多头 S6 思路，以应对跨通道依赖和局部空间结构建模。原方法依赖点集序列化及几何关系，EEG 则还具有真实时间顺序，需改造输入表征并区分空间扫描与时间因果关系，不能直接将空间 shuffle 用于时间轴。低信噪比、跨被试差异、通道配置变化及小数据过拟合均可能使该假设失效。一个可证伪的小实验是在固定 Cross-subject 划分、相同训练预算下，对比普通 S6 与逐项加入空间 shuffle、局部几何模块和多头设计的版本，观察任务指标及通道扰动下的稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其 shuffle serialization、ConvBiS6 与 MHS6 如何协同处理无序点云的序列化及局部—全局建模，但作者所称领先结果和各模块收益仍需结合全文实验核对。

  4. OpenReview · State space models63

    用于遥感图像分类的轮廓增强视觉状态空间模型

    基于摘要分析。该研究面向遥感（RS）图像分类，关注深层视觉模型中低层亮度梯度与轮廓信息未被充分利用的问题，提出基于 Vision Mamba（VMamba）的轮廓增强模型 G-VMamba。核心贡献是轮廓增强模块 ConEM，通过融合显式低层特征与学习特征，将轮廓信息引入更深层的表示。 机制方面，摘要描述 ConEM 在各网络层使用两条路径，分别提取自适应亮度梯度和多维卷积特征，再将二者融合，以低层特征约束深层表示。梯度算子的具体定义、自适应方式、融合操作、损失函数及训练配置尚未验证。摘要以视觉 Transformer 的深层特征退化作为动机，但尚不能据此确认 VMamba 中存在同样的退化机制，也不能将轮廓增强直接等同于对该问题的解决。 结果方面，作者报告 G-VMamba 在遥感图像分类实验中表现优于对照，但摘要未提供数据集、划分、指标、具体数值及完整基线配置。作者报告，不同类别的类激活图（CAM）分析显示，相比 VMamba 等模型，G-VMamba 更关注颜色或亮度变化明显的区域；这一观察支持关注区域发生变化，但不能单独证明轮廓信息带来稳健泛化。实验协议、消融及统计信息尚未验证。作者表示代码将公开，当前可用性与复现条件尚未确认。 平台推测（待验证）：若 EEG 被表示为时频图，其局部变化信息可能为深层表示提供补充约束，但遥感亮度边界不等同于神经活动特征。可复用的是“显式局部变化路径与学习特征融合”的思路；梯度方向、尺度与融合位置需适配时间—频率结构，不能默认电极排列具有图像空间邻接关系。低信噪比可能使梯度放大伪迹，跨被试差异和小数据也可能导致过拟合。一个可检验的小实验是在固定 Cross-subject 划分及相同训练预算下，比较时频图 VMamba、加入局部梯度路径的版本和参数量匹配的卷积对照，并检查噪声扰动下的表现。该假设不构成已验证的 BCI 效果，相关 EEG 工作尚未检索确认。

  5. OpenReview · Representation learning72

    面向深度表征学习的动态批次图表征学习

    基于摘要分析。本文研究图像 mini-batch 内的样本依赖建模与上下文增强表征，提出 Dynamic Batch-Graph Representation（DyBGR）：将批内图像构成动态图，通过学习样本关系并传播信息来更新各样本表征。主要研究对象是图像深度度量学习，而非 EEG 或 BCI。 核心机制是以图像样本为节点、样本间依赖为边构建 batch-graph，在相似性、稀疏性和语义相关性约束下动态学习图结构，再沿图交换节点信息。图学习与信息传播联合优化，作者将其实现为可插拔的 DyBGR block，提出可集成至基于 mini-batch 的深度表征学习方案。摘要未给出约束的数学形式、语义信息来源、传播算子或训练与推理时的具体批次构造。 作者认为现有 self-attention 或 patch 维度的局部 self-attention 未充分利用批内样本关系，且对噪声和离群样本敏感；这些是论文的问题定位，仍需全文中的对照实验核实。作者报告深度度量学习实验支持 DyBGR 的有效性，但摘要未提供数据集、划分、基线、指标或数值。实验协议、消融及统计信息尚未验证。作者表示将发布代码，当前材料不能确认代码已公开。 平台推测（待验证）：若 EEG 试次间存在可利用的任务相关关系，批次图学习可能用于增强试次表征，但图像领域有效不等于 BCI 有效。可复用模块是批内建图与消息传播；需要改造 EEG 特征编码、相似性度量及批次采样，并核对语义约束是否依赖标签。低信噪比、跨被试差异、通道配置差异和小数据条件可能使图边反映伪迹或被试身份，造成错误信息传播；预测也可能受同批样本组成影响。 一个可检验的小实验是在固定 EEG 编码器与数据划分下，对比独立试次表征、固定相似图和 DyBGR，分别考察被试内与跨被试表现，并改变测试批次组成检查预测稳定性；不得使用测试标签建图。已有 EEG 相关工作尚未检索确认。

    阅读价值：DyBGR 将批内样本关系学习与图上信息传播联合优化，值得核对其在深度度量学习中的对照效果与批次依赖性，但其对 EEG 表征学习的价值尚未验证。

  6. OpenReview · State space models73

    利用时序状态空间共享实现视频语义分割

    基于摘要分析。本文研究视频语义分割（VSS）中的长时序上下文利用问题，提出 Temporal Video State Space Sharing（TV3S）架构，以 Mamba 状态空间模型实现跨视频帧的时序特征共享，旨在减少逐帧或短窗口处理带来的重复计算与特征存储开销。 核心机制是利用选择性门控传播相关的跨帧信息，避免依赖占用大量内存的特征池。TV3S 对空间 patch 独立处理，并结合 shifted operation，使训练和推理支持高度并行计算；作者称这有助于降低顺序状态空间处理的延迟，并提高长视频序列处理的可扩展性。推理时模型纳入先前帧的信息，以维持长程时序一致性。摘要未说明状态更新公式、门控实现、shifted operation 的具体方式及训练损失，这些细节尚未验证。 作者报告，在 VSPW 和 Cityscapes 视频语义分割评估中，TV3S 优于当前最先进方法，并在长视频序列上保持一致表现；但摘要未提供具体指标、数值、数据划分、对照方法或硬件与效率测量条件，因此尚不能量化其精度与效率收益。实验协议、消融及统计信息尚未验证。摘要提供了公开代码地址，但代码完整性、依赖环境及结果可复现性尚未核对。 平台推测（待验证）：其潜在可迁移机制是以紧凑状态替代显式历史特征池，用选择性门控保留连续序列中的有效信息，可能对应连续 EEG 解码中的长程依赖与存储开销问题。该假设不等于已证实的 BCI 效果。视频方法依赖空间 patch 及其位移处理，迁移时需改造为 EEG 的通道—时间表示，并适配任务监督；低信噪比可能使门控保留伪迹，跨被试差异和通道布局变化可能破坏状态共享，小数据也可能不足以稳定训练。可在固定划分的连续 EEG 解码任务中，对比匹配骨干的状态共享与状态重置版本，检查任务指标、峰值内存及不同历史长度下的稳定性，并核对分段边界的状态处理。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 TV3S 如何通过选择性门控和跨帧状态共享兼顾长时序建模与计算效率，但其性能优势及对 EEG 的适用性仍需分别验证。

  7. OpenReview · State space models71

    用于全色锐化的监督式细节引导多尺度状态空间模型

    基于摘要分析。本文研究遥感图像全色锐化：利用对应的全色图像（PAN）与低分辨率多光谱图像（LR-MS），重建高分辨率多光谱图像（HR-MS）。作者提出 SDMSPan，以多尺度状态空间建模、PAN 细节引导上采样和中间空间—光谱监督，改善空间细节与光谱信息的联合重建。 核心机制：SDMSPan 包含三个残差状态空间模块（Res-SSMs），分别处理三个空间尺度的图像信息，并在各尺度建模 PAN 与 LR-MS 之间的局部及长程依赖。相邻 Res-SSMs 之间设置细节引导上采样块（DGUB），用 PAN 的空间细节引导中间特征上采样；多尺度中间空间—光谱监督策略用于监督每个 DGUB 的训练。摘要未给出状态空间模块内部实现、具体损失形式及监督目标的构造方式，这些内容尚未验证。 作者将研究动机归纳为普通 LR-MS 上采样未充分利用领域知识、多尺度空间信息利用不足，以及 CNN 局部感受野和 transformer 二次计算复杂度带来的效果—效率权衡。作者报告，所提方法在性能上显著优于其他先进方法，但摘要未提供数据集、数据划分、对照名称、指标数值、统计检验或运行成本，不能据此判断提升幅度及效率收益。实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但实现完整性、依赖环境与结果可复现性尚未核对。 平台推测（待验证）：可讨论的跨领域机制是多尺度依赖建模与中间监督，而非全色锐化本身。若用于 EEG，需要将图像空间尺度改为时间尺度，并重新设计中间监督；PAN 提供高分辨率空间细节的前提不能直接套用于 EEG 通道。低信噪比、跨被试差异及小样本可能使细节引导强化噪声。一个可检验的小实验是假设：在固定被试内 EEG 划分与相近参数量下，多尺度中间监督比仅使用最终任务监督更稳定；可先保持同一状态空间骨干，仅切换中间监督进行对照。该实验属于平台假设，不是论文结果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 SDMSPan 如何将 PAN 细节引导上采样与多尺度中间监督结合，以及这种组合相对普通上采样的独立贡献；其 EEG/BCI 适用性尚未验证。

  8. OpenReview · State space models70

    DSSM：用于人体动作生成的双状态空间模型

    基于摘要分析。该研究面向文本驱动的人体动作生成，针对词级文本描述与关节级动作表示之间特征信息量不均衡、影响潜在空间特征融合的问题，提出 Dual State Space Model（DSSM），通过从粗到细重建融合特征缓解模态间失衡。 机制上，DSSM 包含 Masked State Space Model（MSSM）与 Hierarchical State Space Block（HSSB）两个单元，并引入状态空间模型（SSM）以利用时序信息、降低计算复杂度。摘要未说明掩码对象、层级组织、融合位置、损失函数及训练与推理流程，这些细节尚未验证。作者声称这是首次将 SSM 引入文本驱动的动作序列生成，该优先性尚未独立核实。 作者报告，在 HumanML3D 与 KITML 基准数据集上达到 SOTA 表现；但摘要未提供具体指标、数值、数据划分或对照基线，因此无法判断优势幅度，也无法核对计算复杂度收益。实验协议、消融及统计信息尚未验证。摘要提供了 GitHub 代码地址，但代码完整性、依赖环境及复现条件尚未核验。 平台推测（待验证）：其原问题是文本与动作序列的信息量不平衡，机制依赖文本—关节序列的跨模态对应关系；具体监督形式和训练规模尚未明确。假设 EEG 与文本或运动学信号的融合也受到模态信息量失衡影响，可考察粗到细融合重建与 SSM 时序建模的复用价值，但需改造 EEG 输入表示、通道处理及模态对齐方式。低信噪比、跨被试差异、通道配置变化与小数据可能使重建过程偏向更强模态，削弱 EEG 信息。一个可检验的小实验是在固定划分的配对 EEG—运动学任务中，对比常规融合与该重建机制，并通过削弱或移除 EEG 输入检验是否真正利用 EEG；这不构成已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其以 MSSM 与 HSSB 从粗到细重建文本—动作融合特征的机制，但作者报告的性能优势及其对 EEG 多模态融合的适用性尚需分别核对与验证。

  9. OpenReview · State space models73

    利用时序状态空间共享进行视频语义分割

    基于摘要分析。本文研究视频语义分割（VSS）中逐帧或短时窗处理造成的时序上下文有限、重复计算和内存开销问题，提出 Temporal Video State Space Sharing（TV3S）架构，利用 Mamba 状态空间模型进行跨帧特征共享，以兼顾长时序一致性与计算效率。 核心机制是通过选择性门控传播视频帧之间的相关信息，替代高内存开销的特征池。TV3S 独立处理空间 patches，并引入 shifted operation，以支持训练和推理阶段的高度并行计算；作者称这可降低顺序状态空间处理的延迟，并改善长视频序列的可扩展性。推理时模型利用先前帧的信息，但状态更新公式、门控实现、shifted operation 的具体形式、损失函数和训练配置尚未验证。 作者报告，在 VSPW 和 Cityscapes 数据集上的评估中，TV3S 优于当前最先进方法，并在长视频序列上取得一致结果。摘要未提供具体指标、数值、数据划分、对照基线或效率测量条件，因此无法量化优势，也不能据此判断不同协议下的可比性。实验协议、消融及统计信息尚未验证。摘要提供了公开代码仓库，但其运行条件、预训练权重与复现完整性尚未核查。 平台推测（待验证）：迁移假设是，选择性状态共享可能缓解 EEG 长序列处理中固定窗口上下文不足及历史特征缓存开销的问题。原方法依赖视频帧的空间 patch 结构，属于语义分割任务；其监督形式和所需数据规模尚未验证。可考虑复用状态传播与门控思路，但需重新设计 EEG 的时间分块、通道表示及 shifted operation，不能直接照搬图像空间结构。低信噪比可能使门控持续传播伪迹，跨被试差异、通道配置变化和小数据训练也可能削弱收益。一个可检验的小实验是在固定 EEG 任务、相同骨干及相同被试划分下，对比短窗口模型与增加状态共享的模型，同时记录任务指标、峰值内存和推理延迟，并测试序列长度变化及状态重置的影响。上述仅为迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其通过选择性门控与跨帧状态共享替代高内存特征池的机制，并核对长序列精度与效率的评估协议；该机制对 EEG 时序建模的价值尚未验证。

  10. OpenReview · State space models71

    SSMLoRA：利用状态空间模型增强低秩适应

    基于摘要分析。SSMLoRA 针对语言模型参数高效微调中 LoRA 表现随插入位置变化、部分插入可能造成参数冗余的问题，引入状态空间模型（SSM）连接低秩矩阵，使适配过程能够利用前一低秩空间的计算，并支持更稀疏的插入。 机制上，摘要描述了输入到低秩空间的映射，以及低秩空间之间的计算复用；其目标不仅是减少可训练参数，还包括减少不必要的适配模块插入。SSM 状态如何传递、低秩矩阵如何连接、插入位置如何选择，以及训练损失与推理开销，均需全文核对，不能仅凭摘要确定具体结构。 作者报告，在 General Language Understanding Evaluation（GLUE）benchmark 上，SSMLoRA 使用 LoRA 一半的适配参数即可取得相当表现；这一结论限于摘要所述 GLUE 对照，基础模型、各任务指标、数据划分、低秩维度及参数统计口径尚未验证。作者还认为其结构有望处理更长输入序列，但摘要未提供长序列实验结果，因此不能视为已验证优势。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库链接，代码完整性与可复现性仍待检查。 平台推测（待验证）：若 EEG 预训练模型采用多处 LoRA 适配，可假设低秩空间之间的状态传递有助于减少插入点。可复用的是低秩适配与状态连接思路，需改造的是 EEG 骨干接口、跨模块状态定义及通道布局适配。该假设依赖可适配的预训练骨干和足够的任务监督；低信噪比、跨被试差异、通道变化及小样本可能使共享状态传播噪声或产生过拟合。一个可证伪的小实验是在固定跨被试划分与同一 EEG 骨干上，对比常规 LoRA、稀疏 LoRA 和 SSMLoRA，同时控制可训练参数预算与训练条件，检验收益是否来自状态连接而非参数配置。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 SSM 连接低秩空间是否能降低 LoRA 对插入位置的敏感性：作者报告在 GLUE 上以一半适配参数取得相当表现，但具体参数口径、插入方案与评估协议尚未验证。

  11. OpenReview · State space models75

    GroupMamba：高效的基于分组的视觉状态空间模型

    基于摘要分析。GroupMamba 针对纯状态空间模型（SSM）在计算机视觉中扩大模型规模时的训练不稳定与效率问题，提出结合分组扫描、通道调制和蒸馏训练的视觉模型，以改善参数效率及大模型训练稳定性。 核心机制是 Modulated Group Mamba 层：将输入通道划分为四组，每组独立应用一个 Visual Single Selective Scanning（VSSS）块，分别沿四个空间方向之一扫描；再通过通道调制算子改善跨通道信息交流。作者还引入基于蒸馏的训练目标，并报告其带来稳定性改善和一致的性能增益。摘要未说明蒸馏教师、具体损失形式及训练配置，这些细节尚未验证。 作者报告在 ImageNet-1K 图像分类、MS-COCO 目标检测与实例分割、ADE20K 语义分割上优于现有方法。其中，23M 参数的 tiny 变体在 ImageNet-1K 分类评估中取得 83.3% top-1 Accuracy；作者称相较同模型规模下最佳现有 Mamba 设计，参数效率改善 26%。摘要未给出该对照模型名称、效率计算口径及完整评估设置，因此不将这一比例解释为计算量或推理速度提升。实验协议、消融及统计信息尚未验证。作者提供了代码与模型地址，但实现和复现条件尚未核验。 平台推测（待验证）：假设分组扫描与通道调制能用于 EEG 的长时序建模和跨通道交互，其原始机制依赖视觉空间方向及特征通道结构，不能直接等同于电极拓扑。可复用候选是分组处理、SSM 扫描和通道调制；需要改造扫描轴、分组依据及输入表示。低信噪比、跨被试差异、通道配置变化和小数据可能使分组削弱有效关联，也可能限制蒸馏收益。一个可证伪的小实验是在固定 EEG 数据划分、训练预算及参数量下，对比普通 SSM、分组扫描和加入通道调制的版本，分别检验被试内与跨被试性能及多次训练的波动。该假设不属于论文已验证结果；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其分组定向扫描、跨通道调制与蒸馏训练能否分别改善参数效率和训练稳定性，但视觉任务结果不能直接视为 EEG/BCI 有效性证据。

  12. OpenReview · State space models67

    RRG-Mamba：基于状态空间模型的高效放射学报告生成

    基于摘要分析。该研究面向放射学报告生成，试图兼顾视觉特征的全局依赖建模与计算效率，提出基于 Mamba 的 RRG-Mamba 框架；主要贡献是在视觉特征序列建模中引入 rotary position encoding（RoPE），并设计全局依赖学习模块。 机制方面，作者将原版 Mamba 的位置编码对复杂空间依赖的表达限制作为改进动机，利用 RoPE 动态建模视觉特征序列中的相对位置信息，再通过全局依赖学习模块加强长程视觉依赖建模。摘要以状态空间模型的线性复杂度为效率动机，但没有提供完整框架的复杂度推导、模块结构、训练目标或推理流程，不能据此断言整个报告生成系统具有线性复杂度。 结果方面，作者报告在 IU X-Ray 和 MIMIC-CXR 等公开数据集上，相比现有模型，BLEU-4 提升 3.7%，并获得计算与内存效率收益。摘要未说明该提升对应哪个数据集、具体基线、数据划分，也未明确 3.7% 是相对增幅还是绝对百分点；效率收益同样缺少数值和硬件条件，因此不能用于跨协议比较。实验协议、消融及统计信息尚未验证。作者提供了代码链接，但代码完整性、运行环境与复现结果尚未核对。 平台推测（待验证）：可迁移的机制假设是，相对位置建模与全局依赖学习可能帮助 EEG 长序列建模，但原任务依赖具有空间排列的影像特征及配套报告监督，不等于已验证的 EEG/BCI 方法。迁移时可考察 RoPE 与全局依赖模块，需重新定义时间位置和通道空间关系，并改造影像编码及报告生成部分；低信噪比、跨被试差异、通道布局变化和小数据可能削弱收益。一个可证伪的小实验是在同一 EEG 任务、固定被试划分和训练预算下，对比原版 Mamba、加入 RoPE 及加入完整改进模块的版本，同时记录任务指标、推理耗时与峰值内存。已有 EEG 相关工作尚未检索确认。

12月31日周二
  1. OpenReview · State space models73

    MambaMOS：采用运动感知状态空间模型的 LiDAR 三维运动物体分割

    基于摘要分析。该研究针对 LiDAR 运动物体分割（MOS）：利用此前扫描的运动信息，定位并分割当前点云中的运动物体。MambaMOS 的主要贡献是通过时空嵌入与运动感知状态空间模型，加强点云中时间线索和空间信息的耦合，以及同一物体跨时间步的关联建模。 方法包含 Time Clue Bootstrapping Embedding（TCBE）和 Motion-aware State Space Model（MSSM）。TCBE 用于增强点云时空信息耦合，缓解时间线索被忽略的问题；MSSM 通过两个不同的时间建模与关联步骤，强调同一物体在不同时间步的运动状态，并使用改进的状态空间模型表征运动差异。摘要未披露这两个步骤的具体运算、对象关联方式、状态更新方程、损失或训练细节，不能进一步推断实现结构。 作者报告，MambaMOS 在 SemanticKITTI-MOS 和 KITTI-Road 基准上达到最先进性能，并提供公开源码地址。摘要未给出具体指标、数值、数据划分及对照基线，因此尚不能核对优势幅度或比较公平性；实验协议、消融及统计信息尚未验证，代码的可运行性和复现条件也尚未验证。 平台推测（待验证）：其可供 EEG 方法研究参考的是时间线索嵌入与跨时间状态关联，而不是 LiDAR 分割结果本身。迁移假设依赖于 EEG 中存在可稳定追踪的时间结构；点云对象身份及运动差异不能直接等同于 EEG 通道或神经活动状态。可考虑改造输入嵌入和关联模块，但低信噪比、跨被试差异、通道配置变化及小样本均可能使关联失效。一个可检验的小实验是在固定 EEG 任务与划分下，对比普通状态空间模型与加入时间线索嵌入的版本，并保持训练预算一致，检查收益是否稳定。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其时空耦合与跨时间对象关联机制，但摘要不足以确认性能优势的实验条件，也不能据此认定其对 EEG/BCI 有效。

  2. OpenReview · State space models72

    TiM4Rec：基于时间感知结构化状态空间对偶模型的高效序列推荐模型

    基于摘要分析。本文研究序列推荐中的效率与性能权衡：作者指出，基于 State Space Duality（SSD）的 Mamba2 虽比基于 State Space Model（SSM）的 Mamba1 具有更高计算效率，但在序列推荐、尤其低维表示场景下可能出现性能下降。为此，作者提出 Time-Aware Mamba for Recommendation（TiM4Rec），通过时间感知机制改善低维 SSD 的表现，并保留计算效率。 核心机制是 Time-aware Structured Masked Matrix。作者认为，借鉴 TiSASRec 的现有时间感知方法直接整合到 SSD 时，存在 Transformer 机制与 SSD 架构融合复杂、时间差建模需要维度扩展而增加计算开销的问题；新方法以结构化掩码矩阵将时间信息纳入 SSD。摘要未给出矩阵构造、时间差编码、损失函数、训练与推理细节，不能据此确定其具体实现或复杂度。作者声称这是序列推荐领域首次针对 Mamba 架构设计的时间感知增强方法，该优先性尚未独立核实。 作者报告，在三个真实世界数据集上的实验显示方法具有优势；摘要未列出数据集名称、划分协议、对照配置、评价指标及具体数值，因而无法判断收益幅度或效率测量条件。实验协议、消融及统计信息尚未验证。材料提供了代码仓库，但代码可运行性、依赖环境与结果可复现性仍需核对。 平台推测（待验证）：其可供考察的迁移路径是利用显式时间间隔调节 SSD 序列建模，而非已证实的 BCI 方法。假设 EEG 任务存在不规则采样或事件间隔信息，可尝试复用时间感知矩阵与 SSD 模块，但需改造连续多通道信号输入、时间尺度及任务输出；推荐交互序列的监督与数据结构不能直接等同于 EEG。低信噪比、通道差异、跨被试变异及小数据可能使时间信息无效或引入过拟合。一个可证伪的小实验是在固定 EEG 任务与被试划分下，对比普通 SSD、加入真实时间间隔的版本和打乱时间间隔的版本，同时记录任务指标及计算开销。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其 Time-aware Structured Masked Matrix 如何在低维 SSD 中结合时间间隔信息与计算效率，但摘要未提供定量结果，其对 EEG 序列建模的价值尚未验证。

  3. OpenReview · State space models67

    RS3Mamba：用于遥感图像语义分割的视觉状态空间模型

    基于摘要分析。本文研究遥感图像语义分割中局部特征提取与长程关系建模的结合，提出双分支网络 RS3Mamba：以卷积主分支提取特征，以视觉状态空间（VSS）辅助分支补充全局信息，并通过 collaborative completion module（CCM）增强和融合双编码器特征。 核心机制：作者将 CNN 的长程建模能力限制与 Transformer 的计算复杂度作为研究动机，采用以 Mamba 为代表的 VSS 模型进行具有线性计算复杂度的长程关系建模。RS3Mamba 并非单纯以 Mamba 替代卷积，而是保留卷积主分支，再引入 VSS 辅助分支；CCM 用于协调两类分支的不同特征。具体扫描方式、网络层数、损失、训练与推理配置尚未验证，也不能将 VSS 的复杂度描述直接视为整网实测效率结论。 实验与证据：作者报告在 ISPRS Vaihingen 和 LoveDA Urban 两个遥感语义分割数据集上的实验支持方法有效性及应用潜力，但摘要未提供指标数值、数据划分、对照基线或效率测量。实验协议、消融及统计信息尚未验证。作者声称这是首个专门面向遥感图像语义分割的 vision Mamba，该优先性尚未独立核实。摘要称代码将公开，当前可用性与复现条件尚未验证。 平台推测（待验证）：可检验的迁移假设是，将卷积局部建模与状态空间长程建模的互补机制用于 EEG 时频表示，而非迁移遥感分割任务本身。该假设依赖有意义的二维排列与足够的任务监督；可能复用双分支融合思路，但需改造输入编码、扫描顺序和输出头。EEG 的低信噪比、通道排列差异、跨被试分布变化及小数据规模可能使辅助分支学习无关结构。一个小规模检验是在固定 EEG 任务及同一跨被试划分下，对比卷积基线、加入 VSS 辅助分支、再加入 CCM 的版本，同时核对任务指标与计算开销。原文未报告 EEG/BCI 实验，已有相关工作尚未检索确认。