跳到正文
只看模型架构#Explainable AI
10月8日周四
  1. Europe PMC · EEG 方法71

    将试次级 EEG 变异提炼为参与者表征：ADHD 中的神经生理约束图学习

    该研究针对试次级 EEG 噪声与变异妨碍稳定个体表征提取的问题，提出神经生理约束的时空图注意力网络，用于分析有无 ADHD 的儿童及青少年的 Go/NoGo EEG，将试次信息提炼为参与者级表征。基于摘要分析，未取得论文全文。 方法结合 ERP 引导的时间窗、相位同步图先验，以及试次到参与者的迁移学习，使信息路由与表征几何成为可检验的分析对象。摘要未说明图的具体构建方式、时间窗定义、迁移学习的训练流程或损失形式，这些实现细节尚未验证。 作者报告，模型学到了可重复的注意力轨迹，但 ADHD 组与对照组在空间注意力分配上没有可靠差异；组别相关结构主要出现在紧凑的参与者级嵌入中，这些嵌入提炼了试次级变异，并保留了超出卷积表征的判别信息。作者还报告性能优于卷积神经网络对照，但摘要未给出任务指标、数值、数据划分或被试内／跨被试评估背景，因此不能量化提升或判断泛化范围。 其主要方法学价值在于，不仅比较预测表现，还追踪诊断相关信息在分析流程中的出现位置。空间注意力未呈现可靠组间差异，也意味着不能直接将注意力分配解释为 ADHD 特异性标记。参与者数量、采集与预处理流程、试次和参与者的划分关系、对照模型设置、消融及统计信息尚未验证；复现时需核对参与者级嵌入的构建与独立评估方式。摘要支持将其视为认知神经生理标记的研究框架，尚不足以认定其已具备临床诊断效用。

    阅读价值：值得阅读的具体原因是其将 ERP 时间窗、相位同步图先验与试次到参与者的迁移学习结合，并区分注意力分配与参与者表征中的组别信息；这些信息出现位置及其可重复性仍需通过全文和复现核对。

10月4日周日
  1. arXiv · 架构与算子75

    基于自适应单位分解混合专家网络的局部化算子学习

    基于摘要分析。针对 DeepONets、FNOs 在具有尖锐界面、异质系数和局部多尺度结构的 PDE 族上的建模困难，本文提出基于单位分解（partition-of-unity，POU）的局部化混合专家框架，并以 HiRefPOU 为主要贡献，在局部表征之间保持全局连续性。 核心机制是由几何感知门控网络生成平滑空间分区，融合各局部专家网络的贡献。HiRefPOU 面向 DeepONets，采用残差式层级 POU 架构，通过嵌套的父子分区组织局部表示。作者还将同一 POU 原则用于 Fourier Neural Operators，在不修改底层频谱层的情况下引入空间适应性。摘要未提供门控参数化、分区细化规则、损失函数或训练配置，其具体实现尚未验证。 作者报告，在异质 Darcy 与 reaction-diffusion 基准上，HiRefPOU 相比全局 DeepONet 和静态 POU-MoE 基线取得明显更低的误差，但摘要未给出具体误差指标、数值或数据划分。作者同时报告，更广泛的算子学习实验表明，局部化收益依赖 PDE 结构及所选神经算子骨干；学习到的分区与界面及解快速变化的区域相对应，支持其可解释性主张。实验协议、消融及统计信息尚未验证，不能据此推断所有算子任务均受益。 平台推测（待验证）：若 EEG 任务能表述为具有明确空间几何的函数到函数映射，该框架或可用于处理空间异质性，但 PDE 中的几何界面不等同于 EEG 的功能分区。可复用模块是平滑门控与局部专家融合，需改造电极几何表示及任务输入输出；低信噪比、稀疏通道、跨被试差异和小数据可能使分区不稳定或专家过拟合。一个可检验的小实验是在固定被试内划分的 EEG 通道重建任务上，以相同训练预算比较全局算子、静态 POU 与自适应 POU，并检查重建误差和分区稳定性。该迁移并非本文已验证结果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其通过平滑空间分区与层级局部专家兼顾局部适应性和全局连续性的机制，且作者报告定位收益依赖 PDE 结构及算子骨干，有助于界定方法适用范围。

10月3日周六
  1. arXiv · 表征与预训练82

    定格于一帧：JEPA 世界模型的速度盲区

    基于摘要分析。本文研究 JEPA 世界模型以单帧嵌入作为预测目标时的速度可辨识性问题，提出三阶段诊断协议 RateIdent，以及将潜变量分为姿态编码和显式有限差分运动编码、并联合预测的 TI-JEPA。 核心机制：作者指出，在无运动模糊、图像仅由场景配置决定的渲染条件下，单帧无法区分同一配置下的不同速度，因此编码器也不能从该帧恢复速度。该论证针对特定观测生成条件，不宜直接推广至含运动模糊或其他运动线索的图像。TI-JEPA 通过有限差分引入时间变化信息，作者称其无需特权监督；具体差分对象、训练损失与 RateIdent 各阶段操作尚未验证。 作者报告，在 PushT、Reacher、Cube、TwoRoom 四个基准的官方检查点上，所有线性速度探针表现均处于或低于机会水平，而位置探针的 R² 约为 0.95。在线性探针协议之外能否提取速度，以及机会水平的定义，需核对正文。作者还报告，在三个具有物理动力学的环境中，TI-JEPA 相比匹配记忆基线，在到达目标并停止的规划任务上获得跨随机种子的显著改进：Pendulum 最终距离降低 55%（p=3.2×10^-10），CartPole 降低 64%（p=5.1×10^-15）。摘要称该结果在官方 ViT-Tiny 与 AdaLN-transformer 规模下得到复现；从头训练的真实 dm_control Reacher 图像实验中，分支分离程度约为具备记忆基线的 38 倍，但该指标定义尚未验证。相较相同模型规模的循环 RSSM 风格预测器，作者报告 TI-JEPA 在三个环境中的两个上达到或超过其 rollout 准确性，并保留姿态与运动的独立可探测性。实验划分、消融及统计信息尚未验证。 平台推测（待验证）：可检验的迁移假设是，将 EEG 的窗口状态与跨窗口变化显式分离，可能改善动态状态预测；但 EEG 并非配置到图像的确定性渲染，原文的不可辨识性论证不能直接迁移。可复用编码分离思路，需改造时间差分尺度与观测编码；低信噪比、被试差异、通道变化及小数据可能使差分分支放大噪声。小规模实验可在相同输入历史和参数预算下比较分离编码与记忆基线的下一窗口预测误差，并检验跨被试稳定性。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对其单帧表征无法辨识速度的适用条件，并复现 TI-JEPA 相对匹配记忆基线的改进，以区分运动信息缺失与预测器能力不足。