跳到正文
只看模型架构#OpenReview
9月19日周六
  1. OpenReview · State space models81

    KUKULKAN：用于时间点过程的可解释状态空间模型

    基于摘要分析。Kukulkan 针对时间点过程建模中表达能力与分枝比可解释性之间的权衡，将 Hawkes 激发机制写成状态空间系统，并通过上下文调节与受限输出门控，把分枝比从单一数值扩展为区间约束，同时保留精确似然计算。 核心机制是将 Hawkes 激发核表示为对角线性系统的状态，利用 Mamba 的并行扫描计算；其补偿子具有闭式表达，分枝比对应系统的稳态增益。通过 structured state space duality，同一计算又可写成对历史事件的注意力，从而把经典核、注意力模型和状态空间模型置于统一形式。摘要将 Mamba Hawkes process 与 S2P2 描述为在该形式上以放弃分枝比解释来换取表达能力的相关方法。 Kukulkan 允许上下文选择各通道的衰减率和背景率，但仅通过取值在零与一之间的门控调节输出映射。作者称，这使每个事件的后代数量受到其发生时确定的数值约束，并使分枝比得到部分识别，提供界限、条件估计与模拟估计。具体参数化、区间构造及各估计量的统计含义尚未验证。 作者报告，在去除标准留出似然数值求积偏差的评估协议下，Kukulkan 在九个公开数据集中的七个上达到无约束神经输出映射的表现，并在全部九个数据集上优于分枝比精确可知的对照模型。在交易所订单流上，作者报告其优于无约束输出映射，同时约束每笔订单的后代数量，且市场状态估计保持亚临界。摘要未提供数据集名称、划分、具体分数或“达到”所采用的判定标准；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG/BCI 问题可合理表示为离散事件时间序列，该机制可能用于研究事件间激发关系，而非直接替代连续 EEG 解码。可复用状态更新与门控约束，但需改造事件提取、上下文输入及通道映射；低信噪比、事件漏检、跨被试差异与小样本可能削弱分枝比解释。一个可证伪的小实验是在固定事件提取与被试内划分下，比较受限与无约束输出映射的留出似然及后代数量估计稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其如何在保留精确似然计算的同时，以门控约束提供事件后代数量界限，以及消除数值求积偏差的评估协议是否影响模型间比较。

  2. OpenReview · EEG73

    用于实时端到端 EEG 情绪识别的稳健 Resonate-and-Fire 神经元

    基于摘要分析。该研究针对 EEG 情绪识别中窗口化频谱计算限制稀疏处理、增加延迟并降低时间分辨率的问题，提出结合数据驱动初始化的稳健 Resonate-and-Fire（RF）神经元，并构建基于 EEGNet 的脉冲式、流式模型 SS-EEGNet，直接从原始 EEG 提取频谱特征，实现在线端到端识别。 核心机制是利用 RF 神经元的振荡膜动态表征频谱信息，而非先计算稠密的窗口化频谱特征。摘要指出，已有 RF 模型存在参数敏感性与不稳定性，一些改进以额外复杂度换取稳定性；本文则通过稳健 RF 模型与数据驱动初始化，使其更可靠地集成到 Spiking Neural Networks（SNNs）中。具体动力学方程、初始化过程、训练损失及梯度计算方式尚未验证。 作者报告，相较其他 RF 模型，所提神经元降低了计算成本与脉冲发放率；SS-EEGNet 在保持稀疏性的同时支持因果、低延迟推理，并取得有竞争力的 Accuracy 与显著效率收益。摘要未提供具体数值、数据集、被试数量、被试内或跨被试划分，也未说明效率测量的硬件与统计口径，因此尚不能量化收益或与其他 EEG 情绪识别结果直接比较。计算成本和脉冲发放率的降低也不能直接等同于实测能耗下降。 复现时需核对流式输入与输出的时间组织、频谱提取所需的状态积累时间、端到端延迟定义，以及 RF 对照模型和 EEGNet 对照的评估条件。还需确认初始化对不同被试、通道配置与噪声条件的敏感性，以及稀疏运算能否在目标硬件上兑现效率优势。实验协议、消融及统计信息尚未验证。

    阅读价值：值得核对其如何以稳健的 Resonate-and-Fire 动力学替代窗口化频谱特征提取，以及稀疏性与低延迟收益是否在实际流式 EEG 推理协议下成立。

9月17日周四
  1. OpenReview · EEG73

    面向 EEG 基础模型的双曲关系感知图池化

    基于摘要分析。该研究针对 EEG 基础模型的常见读出头在池化预训练 token 时，未显式区分信息相似性与语义具体性的问题，提出轻量、即插即用的 Hyperbolic Relation-Aware Graph Pooling（HRAGP），用于下游分类。 机制上，HRAGP 先将 EEG token 映射到双曲空间，再构建加权有向图：以测地距离提供基于相似性的边权，以 entailment-cone compatibility、方向偏好和径向排序决定边的保留与朝向。随后，有向图模块汇总入边与出边关系，并将所得表示与骨干网络特征的平均池化表示结合。其核心思路是让读出过程利用 token 间的几何与方向关系，而非仅进行无差别平均；摘要未说明具体映射公式、图汇总算子、损失或训练配置。 作者报告，在四个 EEG 基础模型、五个下游基准的实验中，HRAGP 在多数设置下优于平均池化，同时增加相对较少的可训练参数。摘要未给出模型与基准名称、任务、被试规模、被试内或跨被试等划分协议、评价指标、提升幅度及参数量，因此尚不能判断收益大小、跨设置稳定性或计算开销。 复现时需核对骨干是否冻结、对照读出头的训练条件、双曲空间与边方向规则的消融，以及图构建对 token 数量和通道配置的敏感性。实验协议、消融及统计信息尚未验证；也需查阅全文确认语义具体性的几何假设如何对应 EEG 表征，避免将图结构解释直接视为已验证的生理机制。

    阅读价值：值得核对其关系感知读出能否在较小参数增量下稳定优于平均池化，尤其是双曲几何与边方向规则各自的贡献，但具体效果与复现条件尚未验证。

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。

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。

9月19日周五
  1. OpenReview · EEG71

    stLaBraM：采用因子化时空片段嵌入进行自监督学习的可解释 EEG 基础模型

    基于摘要分析。该研究针对 EEG 基础模型在自监督掩码建模中难以兼顾性能与可解释性的问题，提出 stLaBraM，在 patch embedding 模块中引入可解释的空间与时间滤波，以改善 EEG 表征学习，并分析与掩码建模相关的神经源特征。 机制与创新：标题将方法概括为因子化时空片段嵌入，摘要明确的改动集中在空间、时间滤波及其可解释性，而非仅报告下游分类性能。作者将原始 LaBraM 作为对照，讨论自监督预训练的重建损失及 masked language model（MLM）表现。因子化的具体实现、滤波器约束、掩码策略、重建目标和损失形式尚未验证。 结果：作者报告，相较 LaBraM，该方法在自监督预训练中显著降低重建损失，并在标准 EEG 分类基准上取得更好的表现；摘要未提供数据集名称、评价指标、数值、数据划分或被试内、跨被试等协议，因此目前不能判断增益幅度及其适用范围。作者还报告，模型能够提供与自监督掩码建模相关的神经源二阶动力学性质和皮层位置的解释，但这些解释的计算方式、定位依据与验证程序尚未明确。 验证与复现：阅读全文时应重点核对时空滤波如何分解、如何从滤波器得到神经源解释，以及预训练数据、模型规模和下游评估条件是否与 LaBraM 对齐。还需核对重建损失改善与分类增益之间的关系，以及解释结果对被试差异、通道配置和噪声的稳定性。实验协议、消融及统计信息尚未验证，代码、权重和复现条件亦未由所给材料确认；摘要中的临床应用动机不能视为已完成临床验证。

    阅读价值：值得阅读的具体原因是其将可解释的空间与时间滤波引入 EEG 基础模型的 patch embedding，并以 LaBraM 为对照讨论重建与分类表现；性能增益及神经源解释的可靠性仍需全文验证。

  2. OpenReview · State space models72

    DAMamba：采用动态自适应扫描的视觉状态空间模型

    基于摘要分析。该研究针对视觉状态空间模型（SSMs）将图像块按人工设计的路径展平为序列时，可能破坏语义空间邻接关系、难以适应复杂图像结构的问题，提出 Dynamic Adaptive Scan（DAS），并据此构建视觉骨干 DAMamba。其核心贡献是以数据驱动方式自适应分配扫描顺序与区域，而非依赖固定的局部或全局扫描路径。 机制与结果：作者称 DAS 在增强建模灵活性的同时，保持线性计算复杂度与全局建模能力。作者报告，DAMamba 在图像分类、目标检测、实例分割和语义分割任务中优于多种常用视觉 Mamba 模型，并超过部分近期先进 CNNs 与 ViTs。摘要未给出对应数据集、数据划分、基线配置或具体指标，因此不能量化提升或确认不同模型间的比较条件。扫描分配的实现、训练监督、损失、复杂度计算口径，以及实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 DAS 能在 EEG 通道拓扑或时频表示上学习有意义的遍历顺序，它可能缓解固定序列化方式对空间关系的扭曲；但图像块的二维邻接与 EEG 电极布局及信号相关性并不等价。可考虑复用自适应扫描思路，需改造输入表示、位置关系和扫描约束。其所需训练规模及监督条件尚未验证；低信噪比、小数据、跨被试差异和通道布局变化可能导致扫描策略不稳定或过拟合。 一个可证伪的小实验是：在同一 EEG 任务、固定数据划分与训练预算下，对比固定扫描和 DAS，使用相同骨干与预处理，分别评估被试内和跨被试表现，并观察通道扰动后的性能与扫描稳定性。这仅是迁移假设，不是已验证的 BCI 结果；已有 EEG 相关工作尚未检索确认。复现仍需全文中的扫描算法、训练配置和实现细节。

    阅读价值：值得核对 DAS 如何学习扫描顺序与区域，以及其线性计算复杂度和视觉任务收益的验证方式；摘要尚不足以确认其对 EEG 空间关系建模的适用性。

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15日周一
  1. OpenReview · State space models75

    SF-Mamba：重新思考面向视觉的状态空间模型

    基于摘要分析。该研究针对视觉 Mamba 中单向递归扫描限制图像 patch 非因果交互、多扫描策略引入数据重排开销，以及短 token 序列下计算速度较慢的问题，提出视觉编码器 SF-Mamba，试图同时改善信息交互与计算效率。 核心机制包括两项设计：通过辅助 patch 交换，在单向扫描下编码双向信息流；通过 batch folding 与周期性状态重置，提升 GPU 并行性。摘要未给出 patch 交换规则、batch folding 的具体张量组织、状态重置周期及其对上下文保留的影响，因此这些实现细节尚未验证。其创新重点是重新设计扫描与执行方式，而非仅增加扫描方向。 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 相比作者所称的最先进基线取得更好的任务表现，并在不同模型规模下提高吞吐量。摘要未提供数据集、指标数值、基线名称、硬件、batch size 或吞吐量测量条件，无法据此量化收益或判断公平比较；实验协议、消融及统计信息尚未验证。材料称代码将在发表后发布，当前代码可用性与论文发表状态不能由此推定。 平台推测（待验证）：该方法原本依赖图像 patch 序列及 GPU 批处理结构，其扫描效率设计可能为短序列 EEG 编码提供参考，但不构成已验证的 BCI 效果。迁移假设是，辅助 token 交换能够改善 EEG 时间窗或通道 token 的信息交互；需改造 patch/token 构造与交换规则，并检查周期性状态重置是否损失跨窗依赖。低信噪比、跨被试差异、通道排列变化及小数据训练可能削弱收益。可在固定 EEG 数据划分与同一硬件、batch size 下，对照普通单向扫描，分别加入交换和状态重置，比较任务指标与吞吐量；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 SF-Mamba 如何以辅助 patch 交换和周期性状态重置兼顾信息交互与 GPU 吞吐量，但其相对基线的效果及迁移至 EEG 的适用性尚未验证。

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。

7月8日周二
  1. OpenReview · State space models71

    MS-SSM：用于高效序列建模的多尺度状态空间模型

    基于摘要分析。MS-SSM 针对传统状态空间模型（SSM）有效记忆受限、难以同时捕获多尺度依赖的问题，将序列动态表示在多个分辨率上，并为各分辨率配置专门的状态空间动力学；同时引入输入依赖的 scale-mixer，动态融合不同分辨率的信息。 核心机制是同时建模细粒度高频模式与粗粒度全局趋势，以改善记忆效率和长程建模。相较于摘要所述依赖扩大状态尺寸来提升召回能力的传统 SSM，本文侧重多分辨率处理与动态跨尺度融合。分辨率如何构造、各尺度状态如何更新、scale-mixer 的具体形式，以及训练目标、稳定性约束和复杂度尚未验证。 作者报告，在包括 Long Range Arena、hierarchical reasoning、time series classification 和 image recognition 的基准实验中，MS-SSM 持续优于此前的 SSM 模型，并保持计算效率。摘要未提供具体分数、数据划分、对照模型配置或效率测量条件，因此无法判断提升幅度及性能与成本的权衡；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设多尺度机制能区分 EEG 的局部快速变化与较慢的时序背景，其可能缓解长序列建模中的记忆压缩瓶颈，但原领域结果不等于 EEG/BCI 有效。可尝试复用多尺度状态动态与 scale-mixer，需按采样率和目标信号调整分辨率构造，并适配多通道输入。低信噪比可能使动态融合追随伪迹，降采样可能损失任务相关信息，跨被试差异与小数据也可能限制泛化。一个可检验的小实验是在固定 EEG 任务和相同 Cross-subject 划分下，对比单尺度 SSM、多尺度但固定融合、完整 MS-SSM，并控制参数量与训练预算，联合检查任务指标、推理成本和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：值得核对多分辨率状态空间动力学与输入依赖 scale-mixer 能否在计算成本可比时改善长程记忆，以及各模块对性能的独立贡献；其 EEG 迁移价值尚未验证。

1月23日周四
  1. OpenReview · State space models68

    RFMamba：用于基于 RF 的以人为中心感知的频率感知状态空间模型

    基于摘要分析。RFMamba 研究如何将状态空间模型（SSM）用于基于射频（RF）信号的以人为中心感知，核心贡献是设计双分支 SSM 模块，自适应提取有信息量的频率线索与辅助空间信息，并构建面向多种下游感知任务的网络。 原问题与机制：摘要将 RF 感知的困难归纳为信号表征差异、不同场景下的频率响应差异，以及镜面反射导致的信息捕获不完整。作者以 SSM 的长序列建模能力和线性复杂度为出发点，通过频率与空间两类线索探索雷达回波中的人体表征。摘要未说明频率线索的具体计算方式、空间分支的数据组织、分支融合机制、损失函数及训练流程，这些细节尚未验证。 结果与证据边界：作者报告 RFMamba 在三个下游任务上均取得优于对照的表现，但摘要未给出任务名称、数据集、划分协议、对照基线或量化指标，因此不能判断优势幅度及不同协议下的稳定性。作者称这是据其所知首次将 SSM 引入基于 RF 的以人为中心感知，该优先性主张尚未独立核验。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，频率线索选择与长序列建模可能对应 EEG 中频带相关信息提取及长时间依赖建模的需求，但雷达回波中的空间与反射结构不等同于 EEG 电极拓扑。可考察复用 SSM 序列模块与频率选择思路，空间分支则需依据通道布局改造；具体监督方式和所需数据规模尚不明确。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迁移失效。一个可证伪的小实验是：在固定 EEG 数据划分与训练预算下，比较基础 SSM 与加入频率选择模块的版本，并用移除频率选择的消融检验增益是否稳定。该实验仅为迁移验证建议，已有 EEG 相关工作尚未检索确认。

  2. OpenReview · State space models72

    从层到状态：深度神经网络层动态的状态空间模型视角

    基于摘要分析。本文研究深层神经网络如何复用先前层的信息以增强当前层的特征表示，将各层输出视为连续过程的状态，并提出 Selective State Space Model Layer Aggregation（S6LA），利用 Selective State Space Models（S6）设计层间聚合模块。 核心机制是把状态空间模型（SSM）的建模对象从通常的序列位置转向网络深度方向的层输出。作者认为，既有层聚合方法主要采用离散状态视角，在网络层数增大时存在适用性限制；S6LA 则尝试以序列框架结合传统 CNN 或 transformer 架构。这里的“序列”主要对应层间信息演化，不能直接等同于输入信号的时间序列。连续状态的具体参数化、不同层特征的维度对齐、选择性机制及训练方式均需全文核对。 作者报告，S6LA 在图像分类与检测任务中带来显著改进，但摘要未提供数据集、划分、对照基线、指标或具体数值，因此无法判断改进幅度、计算代价及其对网络深度的依赖。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 模型存在跨层特征复用不足的问题，可考虑复用 S6LA 的沿深度聚合思路，而非直接把它当作 EEG 时间建模模块。该迁移假设依赖可组织为层序列的中间表示，需要改造不同层的通道数、时间分辨率与特征对齐方式；低信噪比可能使聚合传播噪声，跨被试差异和小数据也可能使选择性机制过拟合。一个可检验的小实验是在固定 EEG 骨干和 Cross-subject 划分下，比较原模型、简单层聚合与 S6LA，并同时记录任务指标、参数量及推理开销。上述仅为验证建议，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 S6LA 如何将沿网络深度的层间聚合建模为状态演化，以及其相对既有层聚合方法的收益与开销；摘要支持视觉任务中的作者报告，尚不能据此确认 EEG 适用性。

1月1日周三
  1. OpenReview · EEG61

    结合时空网络与图注意力架构的 EEG 工作负荷分类

    基于摘要分析。本研究针对 EEG 认知工作负荷估计，将 EEGNet 与 Graph Attention Networks（GATs）结合，旨在联合建模 EEG 的时空特征及电极间关系。核心贡献是融合电极空间距离与信号相关性构建动态图，并利用 GAT 的多头注意力进行特征提取和工作负荷分类。 技术机制：EEGNet-GAT 混合架构将时空特征建模与图关系建模结合，以表达 EEG 中复杂的空间和时间动态。摘要明确动态图同时利用电极距离与信号相关性，但未说明图的更新频率、相关性计算窗口、边权融合方式，以及 EEGNet 与 GAT 的具体连接位置；网络结构、损失函数和训练细节尚未验证。 数据与结果：研究使用 COG-BCI 数据集，涉及 N-Back 和 Multi-Attribute Task Battery-II（MATB-II）任务。作者报告，在其工作负荷分类评估中，N-Back 的 Accuracy 为 92.13%，MATB-II 的 Accuracy 为 96.08%，并称优于独立 EEGNet。摘要未提供被试数量、类别定义、数据划分、被试内或跨被试协议及 EEGNet 基线数值，因此不能据此量化增益或判断跨被试泛化能力；实验协议、消融及统计信息尚未验证。 复现与应用边界：复现时需核对预处理、分窗、图构建、训练与测试划分，以及动态图相对静态图和仅使用电极距离或信号相关性的贡献。作者提出该架构具有实时认知工作负荷估计潜力，但摘要未提供推理延迟、在线评估或实际部署结果，实时适用性尚未验证。

12月31日周二
  1. OpenReview · EEG66

    结合 EEGNet 与 SPDNet：面向想象言语解码的端到端架构

    基于摘要分析。该研究针对从 EEG 解码想象言语的问题，将 EEGNet 与 Cross-Covariance（CCV）矩阵表征结合，并采用 SPDNet 所提出的双线性变换提取判别特征，构建面向想象言语解码的端到端架构。想象言语指在不实际发声的情况下，在脑内模拟给定提示的发音过程。 技术机制上，研究尝试结合 CNN 特征学习与矩阵表征学习：EEGNet 提供卷积建模组件，CCV 矩阵提供另一种信号表示，双线性变换用于从矩阵中提取判别信息。摘要未说明 CCV 矩阵的具体构造、其与 EEGNet 的连接位置，以及满足 SPDNet 相关矩阵约束的处理方式；损失函数、训练流程和推理细节尚未验证。因此，目前能确认的是组件组合思路，不能据此还原完整网络结构。 作者报告，在两个公开数据集上，该方法达到与当时先进方法相当的性能，并在两个数据集上均显著优于 EEGNet。摘要未提供数据集名称、被试数量、评估指标、具体数值，也未交代被试内或跨被试等划分协议，因而无法量化增益或判断其泛化范围。 复现时应重点核对预处理、CCV 计算方式、矩阵约束及数值稳定性、各组件的训练衔接，以及与 EEGNet 对照时的数据划分和训练条件是否一致。实验协议、消融及统计信息尚未验证；代码和实现可得性亦需查阅全文或来源记录确认。

9月27日周五
  1. OpenReview · EEG74

    EEGMamba：结合混合专家的双向状态空间模型用于 EEG 多任务分类

    基于摘要分析。该研究针对 EEG 分类中长序列建模的计算开销，以及不同任务之间信号长度、通道数不一致带来的适配问题，提出 EEGMamba，将 Spatio-Temporal-Adaptive（ST-Adaptive）模块、双向 Mamba 和 Mixture of Experts（MoE）整合为多任务分类框架。 机制上，ST-Adaptive 通过空间自适应卷积对不同长度与通道数的 EEG 进行统一特征提取，并引入 class token 实现时间维度适配；双向 Mamba 用于进一步提取 EEG 特征，旨在兼顾长序列处理的分类表现、推理速度与内存使用；任务感知 MoE 配置通用专家，以建模不同 EEG 任务之间的差异与共性。摘要未提供这些模块的具体结构、专家路由方式、损失函数或多任务训练流程，相关细节尚未验证。 作者报告在八个公开 EEG 数据集上开展评估，覆盖癫痫发作检测、情绪识别、睡眠分期分类和运动想象四类任务，并报告具有性能优势；但摘要未列出数据集名称、被试数、数据划分、对照基线或具体指标，因此尚不能判断优势对应被试内、跨被试、跨会话还是跨数据集协议，也不能将多任务学习直接等同于对未见任务的泛化。作者将其称为首个真正实现 EEG 多任务学习的通用分类网络，该优先性主张尚未检索确认。 复现时需核对不同任务是否联合训练、任务信息如何用于 MoE 路由、通道与长度适配的实现，以及各模块的消融结果；推理速度和内存优势还需结合硬件、输入长度及比较基线核验。实验协议、消融及统计信息尚未验证。材料仅表示代码计划近期发布，不能据此确认代码或预训练权重已公开。

    阅读价值：值得阅读的是 EEGMamba 将长度与通道适配、双向状态空间建模及任务感知专家机制组合用于 EEG 多任务分类，但其多任务训练协议、性能优势和计算效率仍需全文核对。

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。

  4. OpenReview · State space models77

    MambaTree：树拓扑就是状态空间模型所需的一切

    基于摘要分析。MambaTree 针对状态空间模型受序列几何结构约束、长程依赖建模受限的问题，提出根据空间关系与输入特征动态生成树拓扑，并沿该结构传播特征，以突破原有序列传播路径的限制。 核心机制是将特征传播组织从序列改为动态树结构，并引入线性复杂度的动态规划算法来增强长程交互。摘要未给出树构建规则、状态更新方程、训练目标或复杂度的具体计量范围，因此尚不能确定树生成与传播的整体开销，以及其相对序列式状态空间模型的实现条件。 作者报告，在图像分类、目标检测和分割任务中，MambaTree 显著优于现有结构化状态空间模型；在大语言模型微调中，也以较小训练成本在多个文本任务上取得一致提升。这些结论对应摘要所述任务，但具体数据集、指标、划分、对照基线与成本口径未提供，实验协议、消融及统计信息尚未验证，不宜据此量化性能优势或推断其已具备 EEG 多模态建模能力。 平台推测（待验证）：若将 EEG 的通道空间关系与片段特征用于动态树构建，该机制可能为跨通道及长时间跨度交互提供不同于固定序列的传播路径。可考虑复用树上动态规划思想，但输入表征、通道空间编码和树生成约束需要针对 EEG 改造；其对数据规模和监督方式的依赖仍需核对。低信噪比可能使树结构不稳定，跨被试差异、通道布局变化及小数据条件也可能削弱泛化。一个可证伪的小实验是在固定 Cross-subject 划分下，以相同预处理、训练预算和状态空间骨干，对比原序列传播、固定树与动态树，联合检查任务指标、运行成本和树结构稳定性。该实验仅是迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其动态树拓扑与线性复杂度特征传播如何缓解序列结构对长程依赖的限制，但计算成本优势及向 EEG 的迁移价值尚未验证。

  5. OpenReview · State space models74

    Multi-Scale VMamba：层级内嵌层级的视觉状态空间模型

    基于摘要分析。研究针对视觉 State Space Models（SSMs）中多扫描策略带来的冗余，提出 Multi-Scale Vision Mamba（MSVMamba），通过多尺度二维扫描与通道混合模块改善效率和性能之间的权衡。 核心机制：作者分析认为，长程依赖是多扫描策略有效的重要原因。MSVMamba 在原始及下采样特征图上进行多尺度二维扫描，旨在保留长程依赖学习能力并降低计算成本；同时引入 Convolutional Feed-Forward Network（ConvFFN），补充通道混合。摘要未给出具体扫描路径、下采样配置、模块结构、损失或参数量，相关细节尚未验证。 作者报告：MSVMamba-Tiny 在 ImageNet 上取得 83.0% top-1 Accuracy；在 COCO 上，采用 Mask R-CNN 框架及 1x 训练日程，取得 46.9% box mAP 和 42.5% instance mAP；在 ADE20K 上采用单尺度测试，取得 47.9% mIoU。摘要未提供具体对照结果或实测计算开销，不能据此确认相对优势幅度。实验协议、消融及统计信息尚未验证。材料提供了代码仓库，但实现与复现条件尚未核对。 平台推测（待验证）：迁移假设是，多尺度扫描可能用于 EEG 的长短时程依赖建模，缓解长序列计算负担，但原方法依赖视觉二维特征图，不能直接等同于 EEG 通道与时间结构。可考虑复用 SSM 和多尺度处理思路，改造扫描顺序、下采样方式及通道混合模块。风险包括下采样丢失短暂 ERP 或高频信息、空间邻接不匹配，以及跨被试、通道变化和小数据条件下泛化不足。一个可证伪的小实验是在固定 EEG 任务与跨被试划分下，对比单尺度与多尺度扫描，控制参数量和训练预算，同时记录任务指标、延迟及短时事件识别表现。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其多尺度扫描能否在保留长程依赖建模能力的同时降低计算开销，以及 ConvFFN 的独立贡献；摘要提供了多任务结果，但效率收益与消融证据尚未验证。

  6. OpenReview · State space models79

    VMamba：视觉状态空间模型

    基于摘要分析。该研究针对计算机视觉网络的计算效率问题，将状态空间语言模型 Mamba 改造为视觉骨干 VMamba，提出通过二维扫描聚合上下文信息的架构，并以线性时间复杂度为设计特征。 核心机制是由 Visual State-Space（VSS）块构成网络，并在其中使用 2D Selective Scan（SS2D）模块。SS2D 沿四条扫描路径遍历二维数据，以衔接一维 selective scan 的有序处理方式与二维视觉数据的非序列结构，从不同方向收集上下文信息。作者据此构建一组 VMamba 架构，并通过架构及实现层面的优化加速；具体扫描顺序、网络配置、训练损失及优化细节尚未验证。 作者报告，VMamba 在多种视觉感知任务中表现良好，相较所比较的基准模型具有更好的输入规模扩展效率。摘要未提供具体任务、数据集、指标数值、对照模型或计算成本测量条件，因此尚不能核对性能与效率之间的权衡。实验协议、消融及统计信息尚未验证。摘要提供了源码仓库，但代码与论文实验的一致性、运行环境及复现成本仍需核对。 平台推测（待验证）：迁移假设是，将 SS2D 用于 EEG 的通道×时间表示，可能为长时间窗与跨通道上下文建模提供一种计算效率较高的路径；这不是已验证的 EEG/BCI 结果。原方法依赖具有二维组织结构的视觉输入，而 EEG 通道顺序不天然等同于规则图像网格，需改造通道排列、空间编码及输入适配模块。低信噪比、跨被试分布变化、通道配置差异和小数据训练可能使视觉扫描机制失效。可检验的小实验是在同一 EEG 数据集、固定 Cross-subject 划分及训练预算下，对比二维扫描与一维时间扫描，并扰动通道排列，检验收益是否依赖人为顺序，同时测量不同时间窗长度下的运行成本。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其用四条扫描路径将一维 selective scan 适配二维视觉数据的机制及输入规模扩展效率评估，但该机制对 EEG 的适用性尚未验证。

  7. OpenReview · State space models75

    MVGamba：将 3D 内容生成统一为状态空间序列建模

    基于摘要分析。MVGamba 针对 3D Gaussian 重建中的多视角不一致与纹理模糊问题，提出基于类 RNN 状态空间模型（SSM）的轻量多视角 Gaussian 重建器，并结合现成的多视角扩散模型，统一处理单张图像、稀疏图像或文本提示驱动的 3D 内容生成。 核心机制是沿序列传播包含多视角信息的因果上下文，支持跨视角自细化，同时以线性复杂度生成用于细节建模的长 Gaussian 序列。作者将既有方法的问题归因于采用计算密集型架构时对多视角信息传播的妥协；这一解释及其因果证据仍需正文核对。摘要未给出具体序列组织、SSM 实现、损失函数及训练配置。 作者报告，在所评估的各类 3D 内容生成场景中，MVGamba 优于先进基线，模型规模约为对照的 0.1 倍。摘要未明确该比例对应哪些模型，也未提供数据集、划分、评价指标或具体分数，因而不能据此推断推理速度或显存收益。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但代码内容与复现条件尚未核验。 平台推测（待验证）：可迁移假设是，SSM 的递归上下文传播或可用于 EEG 长时序建模；原方法依赖多视角图像结构及 3D 重建目标，并不直接对应 EEG 监督。可借鉴状态传播模块，但需重新设计时间与通道的序列组织、输入表征和任务输出，不能直接沿用 Gaussian 生成头。低信噪比可能使状态累积噪声，跨被试与通道差异可能破坏上下文一致性，小数据也可能限制训练。一个可证伪的小实验是在固定 EEG 数据划分与训练预算下，对比保留状态传播和重置状态的模型，检验较长上下文是否稳定改善任务指标。尚未检索确认已有 EEG 相关工作。

    阅读价值：值得阅读其以 SSM 传播跨视角上下文并生成长 Gaussian 序列的机制；作者报告以约 0.1 倍模型规模优于对照，但具体评估协议与 EEG 迁移价值尚未验证。

9月24日周二
  1. OpenReview · State space models69

    MS³M：用于运动预测的多阶段状态空间模型

    基于摘要分析。该研究针对自动驾驶中的运动预测：根据智能体周围环境预测未来轨迹，并缓解 Transformer 在长序列、多智能体场景中的计算开销。作者提出 Multi-Stage State Space Model（MS³M），以 Mamba 分别建模时间信息与空间交互，并引入分层查询式解码器，旨在兼顾预测精度与推理效率。 机制方面，Temporal Mamba Model（TMM）负责捕获细粒度时间信息，Spatial Mamba Model 负责处理空间交互。作者将性能改善归因于 Mamba 状态空间结构所引入的时间、空间归纳偏置，并强调卷积计算与近线性计算策略的效率优势。摘要还指出，Transformer 通常依赖位置编码表达时空关系；但 MS³M 如何组织输入、注入归纳偏置，以及分层查询式解码器的查询构造与层级流程，均尚未验证。 作者报告，该方法在运动预测实验中取得更优性能并保持低延迟，但摘要未提供数据集、划分协议、对照基线、预测指标、延迟数值或硬件条件，因此尚不能量化精度—效率收益，也不能直接与其他协议下的结果比较。实验协议、消融及统计信息尚未验证；复现还需核对损失函数、训练配置、智能体与时间序列组织方式，以及代码可用性。 平台推测（待验证）：迁移假设是，将时间动态与空间交互分开建模，可能适用于 EEG 的时间依赖和通道关系建模；但原问题依赖多智能体轨迹及环境信息，其监督形式与训练规模尚未明确，不等同于 EEG 分类或解码。可考虑复用时间状态空间模块；空间模块需适配电极布局、通道顺序与缺失通道，轨迹查询解码器则需按目标任务改造。低信噪比、跨被试差异及小样本可能使这种分阶段建模失效。一个可检验的小实验是在固定 EEG 划分、参数预算与训练设置下，对比仅时间模块和时间—空间组合模块，并通过通道顺序扰动检验空间建模的收益与敏感性。已有 EEG 相关工作尚未检索确认。

6月29日周六
  1. OpenReview · State space models67

    基于状态空间模型的多影像站点重性抑郁障碍分类

    基于摘要分析。本研究针对重性抑郁障碍（MDD）的多影像站点分类，使用 fMRI 的 BOLD 多变量时间序列，提出基于 Mamba 的状态空间模型，以捕获长期依赖并提取多尺度上下文信息。研究属于脑影像分类方法，摘要不涉及 BCI 系统或临床部署验证。 核心机制是利用 Mamba 在维持线性扩展性的同时建模时间依赖，并通过整合式架构统一处理 channel-mixing 与 channel-independence 两种情形，在不同尺度的全局与局部上下文中选择用于预测的信息。具体尺度构建方式、通道定义、模块连接、损失函数及训练流程尚未验证。 作者报告，在来自多个影像站点、共 1642 名被试的数据上，平均分类 Accuracy 为 69.91%，并称相较其他方法有所改善。摘要未明确被试内或跨被试划分、是否采用留站点测试、类别比例、平均方式及对照方法，因此该结果不能直接解释为跨站点泛化或临床诊断效能；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设多尺度时间依赖与通道交互建模可迁移至 EEG，其可能对应长时程信息提取和多通道关联建模的瓶颈；可复用的是状态空间序列建模思路，需改造的是采样尺度、通道表示及预处理。fMRI 与 EEG 的时间分辨率和信号来源不同，EEG 的低信噪比、跨被试差异、通道配置变化及小数据条件可能削弱收益。一个可检验的小实验是在固定跨被试 EEG 划分、预处理与训练预算下，对比单尺度和多尺度 Mamba，并分别检验 channel-mixing 与 channel-independence 设置的作用。该迁移假设不构成本论文已验证的 EEG 结果，相关 EEG 工作尚未检索确认。

6月17日周一
  1. OpenReview · EEG69

    EEG2TEXT：基于 EEG 预训练与多视图 Transformer 的开放词汇 EEG-to-text 解码

    基于摘要分析。研究针对开放词汇 EEG-to-text 解码难以达到较高准确性的挑战，提出 EEG2Text，将 EEG 预训练与 multi-view transformer 结合，以增强 EEG 信号的语义学习并建模不同脑部空间区域的信号处理。 机制方面，摘要将 EEG 预训练的作用描述为增强从 EEG 信号中学习语义的能力，将 multi-view transformer 的作用描述为建模不同脑部空间区域。预训练目标、数据来源、空间视图的定义及融合方式、文本解码器与训练流程均尚未验证，不能据此确定其具体网络结构或损失形式。 结果方面，作者报告，在其开放词汇 EEG-to-text 实验中，相较摘要所称的现有最先进基线，BLEU 和 ROUGE 分数的绝对提升最高达 5%（原文表述）。摘要未给出具体指标变体、分数尺度、逐项结果或基线名称，因而不能将这一增益解读为解码 Accuracy 提高 5%，也不能判断它是否适用于所有评估条件。数据集、被试数量、被试内或跨被试协议、数据划分、消融及统计信息尚未验证。 复现时需核对 EEG 与文本的对应方式、训练与测试划分、预训练数据与评估数据的关系，以及各模块相对同条件基线的独立贡献。还需确认文本解码所需输入与推理条件，并比较仅依赖语言信息的对照，以判断生成质量提升中 EEG 信息的实际作用；这些是待核对事项，并非已确认的实验缺陷。摘要支持将该方法视为开放词汇脑信号到文本解码的研究方案，但尚不足以认定其已具备实际交流系统的可靠性。

1月16日周二
  1. OpenReview · Representation learning76

    NfgTransformer：标准式博弈的等变表示学习

    基于摘要分析。本文研究标准式博弈（Normal-form games，NFGs）的神经网络表示，核心问题是：策略重新编号不改变博弈本身，但模型应随策略置换相应变换其表示或输出。作者提出利用这一等变性的 NfgTransformer，以统一的 NFG 表示支持多种博弈论任务。 机制与贡献：摘要将策略置换等变性作为架构的归纳偏置，而非将策略排列视为具有固定语义的输入顺序。这一区分关注等变性而非单纯的不变性：博弈意义保持一致，策略相关表示仍需与重新编号对应。具体输入编码、注意力结构、等变性实现方式、损失函数与训练流程尚未验证。 结果与证据：作者报告，该方法在均衡求解、偏离收益估计（deviation gain estimation）与排序等任务中达到最先进性能，并称模型具有可解释性和多用途性。摘要未提供数据来源、博弈规模、训练与测试划分、对照基线、指标或具体数值，因此这些性能主张的适用范围，以及实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可借鉴之处是依据任务的真实对称性设计表示，但策略重新编号的等价性不能直接推广为 EEG 通道任意置换的等价性，因为通道通常具有电极位置和生理意义。是否能迁移到 EEG/BCI，需先确认对应的数据结构与对称性假设；现有材料不足以支持具体迁移方案或效果判断，相关 EEG 工作尚未检索确认。复现首先需要核对全文中的博弈生成或采样方式、监督信号、评估协议及实现可获得性。

    阅读价值：值得阅读其如何将策略置换等变性纳入统一的博弈表示，并核对该归纳偏置在均衡求解、偏离收益估计与排序任务中的实际贡献；摘要中的性能与可解释性主张尚需全文验证。

1月1日周一
  1. OpenReview · EEG73

    EEGMamba：用于 EEG 分类的双向状态空间模型与混合专家

    基于摘要分析。EEGMamba 面向不同任务中 EEG 信号长度、通道数不一致，以及 Transformer 长序列建模计算开销较大的问题，将 Spatio-Temporal-Adaptive（ST-Adaptive）模块、Bidirectional Mamba 和 Mixture of Experts（MoE）整合为统一的多任务 EEG 分类框架。 机制上，ST-Adaptive 通过空间自适应卷积对不同长度和通道数的 EEG 进行统一特征提取，并引入 class token 实现时间维度适配；摘要未说明具体的长度对齐与通道映射方式。Bidirectional Mamba 用于进一步提取 EEG 特征，作者旨在兼顾长序列处理的分类准确性与推理速度。Task-aware MoE 配置一个通用专家，以建模不同任务 EEG 的差异与共性；专家路由、任务信息如何输入以及训练损失尚未验证。 作者报告，在八个公开 EEG 数据集上进行了测试，覆盖癫痫发作检测、情绪识别、睡眠分期和运动想象四类任务，并报告性能优于对照方法。摘要未提供数据集名称、被试规模、评价指标、具体分数或对照基线，也未明确被试内、跨被试、跨会话或跨数据集划分，因此不能据此确认对未见任务的泛化能力，或量化准确性与速度之间的收益。 复现时应重点核对多任务联合训练与评估协议、异构通道和序列长度的处理，以及 ST-Adaptive、双向建模和通用专家各自的贡献；推理效率比较还需结合输入长度、硬件与计时条件。实验协议、消融及统计信息尚未验证。摘要称代码将于近期发布，当前材料不能确认代码已公开。

    阅读价值：值得核对 EEGMamba 如何通过输入适配、双向状态空间建模和任务感知专家机制处理异构 EEG，但其跨任务泛化与推理效率优势仍需结合全文中的训练划分和对照实验验证。

  2. OpenReview · EEG66

    使用 EEGNet 和 Siamese Network 在多任务 EEG 数据库中进行个人身份识别与认证

    基于摘要分析。该研究面向 EEG 生物特征识别，分别采用 EEGNet 进行个人身份识别、采用结合 EEGNet 与 Siamese Network 的 SiamEEGNet 进行身份认证，并建立多任务 EEG 数据库用于评估。身份识别旨在判定个体身份，身份认证则通过两段 EEG 的特征距离或相似度判断身份是否匹配。 机制方面，身份识别模块直接输入预处理后的 EEG，将信号映射到嵌入空间以提取身份特征，并通过分类模块完成识别。SiamEEGNet 包含两个参数相同的 EEGNet 子网络，移除 EEGNet 的分类模块，加入距离度量层比较两个子网络的输出。摘要未明确训练损失、配对采样策略、距离函数及认证阈值的确定方式，这些细节尚未验证。 数据库包含 24 名被试、五种心理任务；每名被试参加四次会话，每次会话包含 125 个试次，会话间隔从数天至数月。该采集设计提供了考察任务变化与时间变化下身份特征稳定性的条件，但摘要未交代训练与测试划分，不能据此认定结果属于 Cross-session 或跨任务评估。 作者报告，在该数据库的身份识别实验中，平均识别 Accuracy 为 99.84%，并描述 F1 较高，但未提供具体 F1 数值；在身份认证实验中，SiamEEGNet 的 False Rejection Rate（FRR）为 2.29%，False Acceptance Rate（FAR）为 4.75%。上述结果的具体划分、任务组合及阈值背景尚未验证，不能直接与其他协议下的结果比较。 复现与应用评估应重点核对 EEG 预处理、会话隔离、认证配对构建、阈值选择、对照基线及统计信息，数据和代码的可获得性也尚未验证。摘要以传统生物识别的活体检测风险作为研究动机，但所述识别与认证指标本身不能证明系统具备抗伪造或活体检测能力。

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。

1月1日周日
  1. OpenReview · EEG56

    使用结合通道选择的改进图神经网络进行 EEG 情绪识别

    基于摘要分析：现有材料仅包含 Highlights，未取得论文全文。研究面向 EEG 情绪识别，提出结合通道选择的改进图神经网络，同时捕获通道内与通道间特征，并允许动态调整通道保留比例。 机制方面，材料指出图表示结合了功能连接，作者认为这种图具有更强的表征能力。通道选择使模型能够在不同通道保留比例下进行识别，但功能连接的计算方式、图的构建与更新策略、通道选择准则，以及通道内和通道间特征如何融合均尚未验证，不能据此推断具体网络结构或损失形式。 结果方面，作者报告模型在多个数据集上的平均 Accuracy 超过 90%，并在保留 20% EEG 通道的条件下达到超过 80% 的 Accuracy。材料未提供数据集名称、被试数量、被试内或跨被试协议、数据划分及对照基线，因此这些数字只能作为作者报告的概括性结果，不能用于跨协议比较，也不足以判断跨被试泛化能力。 复现时应核对通道选择是否仅利用训练数据、保留比例调整与性能评估的关系，以及功能连接图相对其他图构建方式的增益。上述内容是待核验事项，并非已确认的问题；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验证。

12月31日周五
  1. OpenReview · EEG60

    基于多特征联合学习的 EEG 视觉分类

    基于摘要分析。该研究针对 EEG 多类别视觉分类，采集被试观看不同类别图像时的 EEG，构建对应 80 个 ImageNet 对象类别的 image-EEG 数据集，并提出 dual-EEGNet 联合学习时空与时频特征。 核心机制是使用两个 EEGNet 分支：一个提取 EEG 信号的时空嵌入，另一个提取时频嵌入，以联合特征进行视觉类别识别。其可核对的研究价值在于考察两类表征是否具有互补性；摘要未说明时频变换、特征融合方式、网络具体配置、损失函数及训练流程，这些细节尚未验证。 作者报告，在所构建数据集上的多类别视觉分类实验中，联合特征模型相较其他方法具有更好的 Accuracy，并认为 EEG 能够反映观看不同类别图像时的脑活动差异。摘要未给出具体 Accuracy、对照方法或评估划分，因此不能判断该优势属于被试内、跨被试还是跨会话，也不能据此认定对未见图像或未见被试的泛化能力。 复现需核对被试数量、每类刺激与试次数、采集和预处理流程、训练与测试划分，以及两个分支各自贡献的消融结果。尤其需要确认图像、试次、被试和会话在划分中的组织方式，以明确分类结果的适用范围。实验协议、消融及统计信息尚未验证；数据与代码的公开情况也尚未验证。

1月1日周五
  1. OpenReview · EEG67

    基于层次图卷积网络的 EEG 情绪识别

    基于摘要分析。该研究针对 EEG 情绪识别中相邻电极关系与通道不对称信息利用不足的问题，提出基于层次图卷积网络（HGCN）的 ERHGCN，将多类 EEG 特征与空间关系建模结合，用于 valence（效价）和 arousal（唤醒度）分类。 方法先从五个频带提取六类特征：功率谱密度（PSD）、微分熵（DE）、差分不对称性（DASM）、比值不对称性（RASM）、不对称性（ASM）及 differential caudality（DCAU）。随后，HGCN 对纵向与横向相邻电极对采用不同处理方式，以提取更深层的空间特征；六类特征输入 HGCN 后，通过两个全连接层整合。摘要支持的主要方法特点是对两种方向的电极邻接关系进行差异化建模，而非仅依赖时间或频率特征。具体图构建、边权定义、层次结构、损失函数与训练流程尚未验证。 作者报告，在 DEAP 数据集上的 valence 和 arousal 分类任务中，Accuracy 分别为 90.56% 和 88.79%。摘要未说明这些数值对应被试内还是跨被试评估，也未提供训练与测试划分、分类标签设置或对照基线，因此不能据此判断跨被试泛化能力，或与不同协议下的结果直接比较。 复现与阅读时需核对：频带与特征计算方式、纵向和横向电极对的定义，以及空间关系建模相对单独使用频域或不对称性特征的贡献。实验协议、消融及统计信息尚未验证；代码与实现可用性也无法由当前材料确认。

  2. OpenReview · EEG72

    基于三维特征表示与空洞全卷积网络的 EEG 情绪识别

    基于摘要分析。针对高维 EEG 情绪识别中稳健且具有代表性的特征学习问题，研究提出结合三维特征表示与空洞全卷积网络的框架 3DFR-DFCN，将电极空间关系及频带相关信息组织为输入，并引入谱范数正则化以降低模型对受扰动 EEG 特征的敏感性。 方法首先将一维特征序列扩展为不同频带的二维电极网格，以利用通道间与频带间相关信息；再将多个激活模式下的电极网格构建为三维 EEG 数组，捕捉其互补信息。DFCN 对该数组进行跨频带、跨通道特征学习，谱范数正则化项（SNR）用于约束扰动敏感性。摘要未明确激活模式的定义、原始特征类型、三维数组各轴的具体组织方式及正则化的数学形式，这些细节尚未验证。 作者报告在 DEAP 和 DREAMER 上开展了被试依赖与被试独立实验。DEAP 上，两类实验按被试依赖／被试独立顺序，valence 分类平均 Accuracy 为 94.59%／81.03%，arousal 为 95.32%／79.91%，dominance 为 94.78%／80.23%。这些数值属于不同评估协议，不能混为单一性能结论；摘要未提供具体数据划分、分类标签设置、对照基线或 DREAMER 的结果数值。 研究的可核对价值在于检验空间与频带信息联合组织、空洞卷积及谱范数正则化各自的贡献，以及其在被试独立条件下的有效性。复现需核对特征提取流程、电极网格映射、激活模式构造、训练配置与划分协议；实验协议、消融及统计信息尚未验证。摘要提出该信息整合对实际或临床情绪评估有意义，但不能据此视为已完成临床有效性验证。

    阅读价值：值得核对其三维 EEG 特征组织与谱范数正则化如何支持跨通道、跨频带学习，以及 DEAP 上被试依赖与被试独立评估结果的差异，但具体划分和稳健性证据尚未验证。

  3. OpenReview · EEG65

    一种用于去除 EEG 肌肉伪迹的新型卷积神经网络模型

    基于摘要分析。该研究针对 EEG 中肌电（EMG）伪迹去除效果受限及模型过拟合的问题，提出一种特征维度逐渐增加、同时对时间序列进行下采样的卷积神经网络（CNN），探索网络架构对去噪性能与泛化能力的影响。 核心机制是沿网络处理过程逐步提高特征维度，并降低时间序列分辨率。摘要明确给出了这两项结构设计，但未提供具体层数、卷积配置、下采样方式、损失函数及训练细节，因此尚不能确定各设计对效果的独立贡献，也不能将作者观察到的改善归因于某一单独模块。 作者报告，在 EEGdenoiseNet 上，该模型显著优于四个基准网络，并相较其他类型的卷积网络大幅缓解过拟合。摘要未给出基准名称、评价指标、数值、数据划分或被试内／跨被试等协议背景，因而目前不能量化改进幅度，也不能确认其对真实采集 EEG 或跨被试场景的适用性。实验协议、消融及统计信息尚未验证。 复现时值得核对训练与测试数据的构建及划分方式、肌电污染条件、过拟合的判定依据，以及去除伪迹后是否保留有效 EEG 成分。作者将结果解释为深层网络架构可能有助于避免过拟合并改善 EMG 伪迹去除；这一解释仍需结合全文中的对照与消融证据评估。代码、模型配置及完整复现条件尚未验证。

1月1日周三
  1. OpenReview · EEG65

    基于堆叠可微分神经计算机的 EEG 数据分析

    基于摘要分析。研究围绕如何扩展可微分神经计算机（Differentiable Neural Computer，DNC）的学习能力并用于 EEG 数据分析，提出堆叠增强版 DNC 的架构。核心贡献是将原有 Long Short-Term Memory（LSTM）控制器替换为循环卷积网络控制器，并调整记忆访问结构，以处理 EEG 地形图数据。 机制方面，作者先通过与常规循环神经网络对比，对 DNC 的架构本质给出直观解释，并讨论其可堆叠性；随后提出面向 EEG 的堆叠架构。摘要明确涉及控制器、记忆访问与堆叠三个设计环节，但未提供堆叠层数、模块连接方式、记忆读写细节、损失函数或训练流程。循环卷积控制器如何利用 EEG 地形图的空间结构，以及不同改造分别贡献多少性能，尚需核对正文。 结果方面，作者报告在一个开源 EEG 数据集上获得比较中的最高平均 Accuracy；在一个专有 EEG 数据集上，经参数微调后获得比较中的最低平均误差。摘要未给出数据集名称、具体任务、数值、对照基线、被试数量或数据划分，也未说明属于被试内、跨被试还是跨会话评估，因此不能据此判断提升幅度或泛化能力，两种指标也不能直接互换比较。作者还通过分析训练后模型的行为特征，讨论堆叠 DNC 用于 EEG 信号处理的适用性与潜力；具体分析证据尚未验证。 复现时应优先核对 EEG 地形图构建方法、控制器与记忆访问实现、微调协议及基线设置，并确认开源数据的获取条件和专有数据结果的可复核范围。实验协议、消融及统计信息尚未验证；摘要提及数据集开源，不等于模型代码或权重已公开。