跳到正文
只看模型架构#撤回
9月19日周五
  1. OpenReview · State space models69

    学习描述城市变化：图引导的变化检测与带不确定性估计的时空状态空间模型

    基于摘要分析。研究面向双时相卫星影像的城市变化检测与描述生成，将 SemanticGraphCD、时空 State Space Model（SSM）和不确定性估计组成一体化流程，旨在识别有意义的城市变化、生成描述并评估描述可靠性。 SemanticGraphCD 将图神经网络与任务无关语义学习结合，自适应切换 GNN 特征传播和卷积操作，通过双时相一致性约束学习语义表示，以区分基础设施、土地利用变化与一般时相差异。描述模块包含 Spatial Difference-aware SSM（SD-SSM）与 Temporal Traversing SSM（TT-SSM）：前者针对空间差异建模，后者以时相交叉方式扫描双时相特征。卷积聚焦模块融合变化掩码与双时相影像，引导 SSM 隐状态表达变化信息。作者称该设计具有线性计算扩展特性，但复杂度对应的输入维度及实际运行开销尚未验证。 Semantic-Weighted Sentence Entropy（SWSE）对领域相关词汇赋予比功能词更高的权重，用于估计描述的不确定性。作者报告，在摘要所述变化描述评估中，其方法较已有 SSM 提升描述生成表现，且 SWSE 与描述质量相关、能够提供可靠的不确定性估计；摘要未提供数据集、划分协议、基线名称、指标或数值。实验协议、消融及统计信息尚未验证，尤其需核对词汇权重的确定方式，以及质量相关性是否伴随良好的不确定性校准。 平台推测（待验证）：其可迁移机制主要是变化区域引导的序列建模，以及对任务相关输出赋权的不确定性估计，而非直接复用卫星影像模型。假设应用于 EEG 状态变化识别，需要将图结构和变化掩码改造为通道关系与时段变化提示；原任务依赖双时相影像、变化掩码和描述输出，具体监督来源及训练规模尚未验证。EEG 的低信噪比、跨被试差异、通道变化和小数据条件可能使变化提示放大伪迹；SWSE 也不能直接等同于分类置信度。可在固定 Cross-subject 划分下比较基础 SSM 与加入变化提示的 SSM，同时检查识别指标和置信度校准，以检验这一迁移假设。已有 EEG 相关工作尚未检索确认。

9月16日周二
  1. OpenReview · State space models70

    HG-Mamba：用于腹腔镜图像去烟的启发式引导状态空间模型

    基于摘要分析。该研究针对腹腔镜手术烟雾遮挡导致的图像可见性下降，提出 Heuristic-Guided Mamba（HG-Mamba），通过空间上下文自适应建模与频域表征增强改进图像去烟；这是一项手术图像恢复研究，并非 BCI 临床验证。 作者认为，Mamba 的顺序状态转移限制了空间相关性建模，而其前馈层缺乏频率特征建模机制。HG-Mamba 包含两个核心组件：Heuristic-Guided State Space Model（HG-SSM）采用输入引导的动态采样与灵活状态融合，以适应不同空间上下文；Frequency Refine Feed-Forward Network（FR-FFN）采用多频带分解与自适应加权，增强频域表征。摘要未提供采样规则、状态融合公式、频带划分、损失函数及训练细节。 作者报告，HG-Mamba 在合成及真实烟雾／无烟图像数据集上优于所比较的先进方法，但摘要未给出数据集名称、划分方式、评价指标、数值或具体基线，不能据此量化收益或比较不同协议。实验协议、消融及统计信息尚未验证。作者表示将公开代码，当前材料不足以确认代码已发布。 平台推测（待验证）：假设其输入自适应状态建模与频带加权机制可迁移至 EEG，潜在对应问题是时空依赖变化与频带信息选择，但原任务依赖二维图像空间结构及烟雾／无烟数据，不能直接等同于 EEG 的通道拓扑、时间结构或监督方式。可考虑复用频带加权思路，动态采样和状态融合则需适配电极布局与时序约束；低信噪比可能使自适应权重追随伪迹，跨被试频谱差异、通道变化与小数据也可能削弱泛化。一个可检验的小实验是在固定 Cross-subject 划分的 EEG 任务中，对比原始 Mamba 与仅加入 FR-FFN 思路的版本，保持预处理、训练预算和评价指标一致，检验频域改造是否稳定获益。相关 EEG 工作尚未检索确认。

9月3日周三
  1. OpenReview · State space models63

    对数正态状态空间模型

    基于摘要分析。该研究针对状态空间模型（SSM）的状态更新特征表达能力弱于 Transformer 自注意力的问题，提出 Log-Normal State-Space Model，目标是在保留线性时间效率的同时，使状态更新特征接近自注意力的表达能力。 作者将 SSM 的长序列处理优势归因于线性时间复杂度与状态保留机制，并提出通过新架构兼顾计算效率和记忆能力。不过，摘要未说明“Log-Normal”如何参与状态更新，也未披露具体参数化、损失函数、训练或推理流程，因此目前不能判断其增强表征的技术路径。 作者声称该架构能够兼顾效率与记忆增强，但所给材料未提供任务、数据集、数据划分、对照基线或量化结果。表达能力是否接近自注意力、复杂度成立的条件，以及实际运行时间和内存开销，均需结合全文核对；实验协议、消融及统计信息尚未验证。摘要提供了匿名代码地址，但实现内容、运行依赖与复现条件尚未验证。 平台推测（待验证）：其研究目标与长时程 EEG 序列建模存在潜在关联，但摘要尚未提供足够明确的机制路径，不能据此认定适用于 EEG/BCI。低信噪比、跨被试差异及小数据条件下的适用性仍待评估，已有 EEG 相关工作尚未检索确认。

9月26日周四
  1. OpenReview · Representation learning74

    基于广义四元数表示学习的属性图聚类

    基于摘要分析。该研究针对属性图聚类中 Graph Convolutional Network 的过平滑问题，提出 Graph Clustering based on Generalized Quaternion representation learning（GCGQ）：在图自编码器的编码器中引入四元数运算，并加入无需预设簇数 k 的广义图聚类目标，以学习适用于不同 k 的节点表示。 核心机制有两点：一是将天然对应四个特征分量的四元数运算推广到任意属性维度的图数据；二是将聚类目标作为损失项，使表示学习直接服务于聚类。作者旨在不增加网络深度和参数规模的情况下，获得包含全局分布信息的结构化表示。摘要未提供属性维度与四元数分量的具体映射、编码器结构、损失公式，以及下游聚类如何确定或使用 k，需查阅全文核对；训练目标不预设 k 不等于最终聚类完全无需选择簇数。 作者报告，GCGQ 学到的节点表示更具区分性，包含全局分布信息，并适用于不同 k 的下游聚类；作者还报告开展了显著性检验、消融研究和定性分析。摘要未给出数据集、划分、对照基线、评价指标或具体数值，实验协议、消融及统计信息尚未验证。材料提供了临时匿名代码地址，其可访问性、实现完整性与复现配置尚未验证。 平台推测（待验证）：一个可检验的假设是，将 EEG 通道作为节点、通道特征作为属性后，四元数结构化运算可能为脑网络状态聚类提供可复用的表示模块，但这不是已证实的 EEG 或 BCI 效果。迁移需要改造构图规则与属性映射；低信噪比、跨被试差异、通道缺失及小样本可能使图结构不稳定或聚类失真。可在固定被试划分、构图方式及特征条件下，对比普通图自编码器与四元数版本的聚类表现，并测试不同 k 和通道扰动下的稳定性。相关 EEG 工作尚未检索确认。

  2. OpenReview · Representation learning58

    KAE：用于表示学习的 Kolmogorov-Arnold 自编码器

    基于摘要分析。该研究提出 Kolmogorov-Arnold Auto-Encoder（KAE），将 Kolmogorov-Arnold Network（KAN）与自编码器结合，旨在改善潜在表示，并服务于检索、分类与去噪任务。 机制上，KAN 使用边上的可学习激活函数，而非传统 MLP 中节点上的固定激活函数；KAE 利用 KAN 层中的灵活多项式函数捕捉复杂模式与非线性关系。摘要未提供编码器与解码器的具体结构、多项式参数化、损失形式或训练设置，因此尚不能判断收益来自函数表达方式、模型容量还是优化差异。 作者报告，在基准数据集实验中，相较标准自编码器及其他 KAN 变体，KAE 改善了潜在表示质量，降低重建与去噪误差，并提高分类准确率、检索召回率及可解释性。摘要未列出数据集名称、划分协议、指标数值或可解释性评估方法；收益幅度、实验协议、消融及统计信息尚未验证。摘要提供代码入口，但代码可用性、依赖与复现配置尚未核验。 平台推测（待验证）：其潜在迁移路径是以 KAN 的可学习非线性映射替代 EEG 自编码器中的部分 MLP 模块，检验是否有助于非线性特征压缩或去噪。这一假设依赖训练样本规模、输入表示及噪声结构；摘要未明确监督设置。自编码表示学习框架可作为复用起点，但 EEG 的时间与通道结构、归一化及噪声目标需要另行设计。低信噪比、小数据和跨被试分布差异可能导致灵活函数拟合噪声，重建改善也不必然提高任务判别能力。可开展一个小规模实验：在同一 EEG 数据划分下，以相同潜在维度和尽量匹配的参数预算比较 KAE 与 MLP 自编码器，同时评估重建误差、冻结表示后的分类表现及计算开销，并将被试内与跨被试结果分开报告。已有 EEG 相关工作尚未检索确认。

  3. OpenReview · State space models71

    HeteGraph-Mamba：通过选择性状态空间模型进行异构图学习

    基于摘要分析。该研究针对异构图中不同类型节点的长程依赖建模，以及选择性状态空间模型（SSSMs）与异构图数据的适配问题，提出 heterogeneous graph mamba network（HGMN）。核心贡献是两级 tokenization：先捕获同一节点类型内部的长程依赖，再捕获所有节点类型之间的依赖。 机制与创新：该方法将异构图学习与选择性状态空间模型结合，以分层处理类型内和跨类型关系。作者将其定位为利用 SSSMs 进行异构图学习的首次探索，但该优先性声明尚未独立核对。摘要未说明图节点的排序、拓扑如何进入 token 表示、类型与边信息的编码方式，以及训练目标和推理流程，这些实现细节尚未验证。 结果与证据：作者报告，在异构图基准上与 19 种被其称为 state-of-the-art 的方法比较，HGMN 在准确性和效率方面均优于对照。摘要未提供基准名称、任务、数据划分、具体指标数值或效率测量条件，因此不能据此判断优势幅度或不同协议下的可比性。实验协议、消融及统计信息尚未验证，代码与复现条件也尚未确认。 平台推测（待验证）：若 EEG 任务能够构造具有明确节点类型和关系的异构图，两级 tokenization 可能用于区分类型内关联与跨类型依赖，从而探索长程关系建模；这不等于已证实的 BCI 效果。可尝试复用类型内、跨类型的组织机制，但需改造 EEG 特征表示、图构造与节点排序，并核对原方法对监督信息和数据规模的依赖。低信噪比、跨被试差异、通道配置变化及小样本条件可能使图关系不稳定。一个可证伪的小实验是在固定 Cross-subject 划分与相同 EEG 特征、图构造下，比较两级 tokenization、仅类型内建模和常规异构图基线，同时记录任务指标、运行时间与显存占用。已有 EEG 相关工作尚未检索确认。

9月23日周一
  1. OpenReview · State space models71

    GeoMind：用于理解黎曼流形上脑动态的状态空间模型几何神经网络

    基于摘要分析。该研究关注如何将脑状态演化建模为脑区功能相互连接的动态系统，提出 GeoMind，将状态空间模型（SSM）与黎曼几何结合，通过追踪高维对称正定（SPD）矩阵流形上的功能动态轨迹，刻画随时间变化的脑状态。 核心机制：作者以功能波动的拓扑共激活具有 SPD 几何结构为出发点，将功能连接的演化放在黎曼流形上建模，而非仅将其视为普通欧氏空间中的特征序列。SSM 用于描述潜在脑状态的转移及其与观测神经活动的关系。摘要未给出 GeoMind 的具体状态转移参数化、几何运算、损失函数及训练与推理流程，这些实现细节尚未验证。 结果与证据：作者报告，GeoMind 在基于任务的 fMRI 脑状态识别，以及 Alzheimer's disease、Parkinson's disease 和 Autism 的早期诊断任务中取得有前景的结果。作者还报告在 human action recognition（HAR）的 UTKinect、Florence 和 HDM05 三个基准数据集上取得有前景的表现，用以评估跨领域适用性。摘要未提供具体指标、对照方法、被试规模或数据划分，因此尚不能判断性能增益、诊断有效性或泛化强度；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 的时间窗协方差或功能连接可形成稳定的 SPD 序列，该几何 SSM 思路可能用于研究脑状态切换，但 fMRI 与 HAR 的结果不等于 EEG/BCI 有效。可考虑复用流形轨迹建模框架，改造 EEG 的窗口构建、协方差估计与观测映射；低信噪比、通道数量变化、跨被试差异和小样本可能导致 SPD 估计不稳定或轨迹不可比。一个可检验的小实验是在固定 EEG 数据划分与相同输入条件下，对比几何 SSM 与欧氏 SSM，并检查协方差正则化对结果的影响。已有 EEG 相关工作尚未检索确认。

9月18日周一
  1. OpenReview · Representation learning73

    通过 Epistemic Graph 进行混合表征学习

    基于摘要分析。研究针对视觉深度模型依赖大量训练样本、结构化知识与深度特征在维度及知识粒度上难以融合的问题，提出 Epistemic Graph Layer（EGLayer），以图结构对齐和信息聚合实现混合表征学习。 EGLayer 包含三个主要部分：局部图模块利用学习到的深度特征构建局部原型图，使特征与结构化知识图谱在相同粒度上对齐；查询聚合模块从局部图提取有用信息，再计算聚合表征与全局节点嵌入的相似度以完成预测；相关性对齐损失从余弦相似度和欧氏空间两个角度约束局部与全局邻接矩阵的线性一致性。摘要将其定位为可替代标准线性分类器的即插即用模块，但未提供损失公式、图谱构建流程及训练细节。 作者报告，EGLayer 在跨域识别和少样本学习实验中提升了表征学习表现，知识图谱可视化有助于模型解释。摘要未给出数据集、划分、对照基线或具体指标，因此无法判断提升幅度，也不能将跨域识别直接归为某一种域适应或域泛化协议。实验协议、消融及统计信息尚未验证；复现时需核对知识图谱来源、节点语义、局部原型构建方式及图谱信息的使用边界。 平台推测（待验证）：迁移至 EEG 的假设是，若任务具有可靠的类别关系或生理先验，可将 EEG 编码器输出的原型与知识图谱对齐，以辅助小数据或跨被试识别。可复用的是图聚合与对齐思路，需改造的是 EEG 特征编码、原型定义及知识图谱；低信噪比、被试差异和通道配置变化可能导致原型不稳定或先验失配。一个可检验的小实验是在固定跨被试划分、编码器和训练预算下，对比线性分类器、EGLayer 与打乱图谱关系的 EGLayer，检验收益是否来自有效结构知识。相关 EEG 工作尚未检索确认。