跳到正文
只看学习与优化#已接收
7月10日周五
  1. OpenReview · Representation learning66

    强化学习中的在线行为修改：约束潜变量与行为轴之间的单调性

    基于摘要分析。该研究针对强化学习（RL）机器人在线调整行为风格时，潜变量与行为轴之间映射复杂、难以预测的问题，提出基于 Spearman 秩相关的正则化，以促进一致、单调的映射，并保留行为多样性。这里的在线行为修改指通过潜变量调节行为，而不需要重新训练。 核心机制是对潜变量与行为轴之间的排序关系施加约束，使潜变量的变化对应更可预测的行为变化。摘要将 ACORD（Adjustable Control for RL Dynamics）列为现有方法的例子，指出其映射可能需要事后调校才能供人使用；但未提供正则项的具体形式、行为轴定义、优化方式，也未明确 ACORD 是否作为实验对照，这些信息尚未验证。 作者报告，在逼真仿真环境中，该方法产生了更稳定、更可预测的潜变量—行为映射。摘要未提供环境名称、量化指标、对照结果或真实机器人验证信息，因而目前无法判断改进幅度及其适用边界；实验协议、消融及统计信息尚未验证。复现需核对行为轴的测量方式、秩相关约束的实现与权重，以及行为多样性的评估方法。 平台推测（待验证）：若 EEG/BCI 系统已有可测量的连续控制输出和可调潜变量，可假设此类单调性约束有助于提高控制调节的可解释性，而非直接改善 EEG 解码。可复用的是排序约束思想，需要改造的是行为轴定义及其与控制输出的对应关系；其适用性依赖可排序的变量和可靠的输出测量。低信噪比、跨被试与通道差异可能使排序关系不稳定，小数据也可能使约束抑制有用变化。一个可检验的小实验是在固定 EEG 解码器的连续控制任务中，对比加入与不加入该约束时的映射单调性、控制误差及输出范围。已有 EEG 相关工作尚未检索确认。

  2. OpenReview · Representation learning69

    使用 CMA-ES-IG 探索学习到的行为空间

    基于摘要分析。研究针对人本环境中机器人行为与用户偏好的对齐问题，提出 CMA-ES-IG，通过用户在测试时提供的偏好排序，在学习到的表征空间中搜索符合偏好的轨迹。其贡献重点是使候选轨迹便于用户排序，并让后续建议随反复排序而改善。 机制与证据：摘要明确了“学习到的表征空间—候选轨迹—用户偏好排序—迭代搜索”的流程，但未提供表征训练方式、排序反馈的具体编码、搜索更新规则或损失形式，不能仅凭算法名称补全实现。作者报告在仿真与真实用户实验中评估了 CMA-ES-IG，并可在少至 10 次排序后学到用户偏好的机器人行为；该数字对应偏好排序次数，不应等同于用户人数或轨迹样本数。具体任务、每次排序的候选数量、被试规模、对照基线、成功判据、消融及统计信息尚未验证。 平台推测（待验证）：假设 BCI 共享控制系统已有可生成控制轨迹的表征空间，用户偏好排序可能用于调整辅助行为，而非直接提升 EEG 解码 Accuracy。可复用的是候选行为搜索与排序反馈接口；需改造的是 BCI 控制约束、反馈采集方式及交互成本评估。其适用性依赖行为空间质量、用户排序的一致性和可承受的反馈预算。若排序由 EEG 意图估计间接产生，低信噪比、跨被试差异和通道变化可能引入不稳定反馈，小数据也可能限制行为表征的覆盖。一个可检验的小实验是在固定解码器与行为表征的共享控制任务中，以相同排序预算比较 CMA-ES-IG 与预先指定的搜索基线，测量用户偏好改善和反馈负担。上述迁移尚未验证，已有 EEG 相关工作尚未检索确认。

  3. OpenReview · Representation learning65

    随机结果下的风险感知偏好学习

    基于摘要分析。研究关注人机交互中通过人类偏好学习奖励函数时，期望效用（EU）假设能否准确描述用户对随机结果的评价。作者在社会机器人导航场景中，将 EU 与累积前景理论（CPT）纳入 Bradley-Terry 偏好学习框架进行比较，以研究风险敏感决策模型对奖励恢复的影响。 EU 按结果概率线性汇总效用；摘要指出，人类可能高估罕见负面事件并表现出损失厌恶，因此这一假设可能偏离用户偏好。研究以碰撞等发生概率低、后果严重的导航结果为背景，用 CPT 的非线性决策建模与 EU 对照。CPT 的具体参数化、参考点设定、偏好概率构造及优化方式尚未验证。 作者报告，在偏好由风险敏感用户生成的初步实验条件下，CPT 学习器恢复奖励函数的 regret 显著低于 EU 学习器。摘要未给出数值、regret 定义或统计检验，因此这里的“显著低于”仅转述作者的定性描述，不代表已确认统计显著性。偏好来自真实参与者还是模拟生成、样本规模、训练与测试划分、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能适用于依据用户偏好优化 BCI 辅助设备行为的奖励学习，尤其是错误操作后果不对称的情境，但它不是 EEG 表征或解码方法。迁移依赖可描述的随机行动结果及偏好监督；可复用偏好比较框架，需重新定义 BCI 的结果、风险与用户参考点。低信噪比 EEG 导致的概率估计误差、跨被试风险偏好差异及小样本下 CPT 参数难以辨识均可能使迁移失败。一个可检验的小实验是在固定 BCI 行动及结果概率的条件下收集成对偏好，以相同划分比较 EU 与 CPT 对留出偏好的预测表现，并核对奖励恢复指标的适用性。已有 EEG/BCI 相关工作尚未检索确认。

5月23日周六
  1. OpenReview · EEG66

    结合空间滤波与注意力的临床 EEG 异常检测端到端扩散建模

    基于摘要分析。该研究针对临床 EEG 的信号异质性、噪声污染及被试间变异，提出 DiffSA-EEG，将可学习空间滤波、堆叠去噪自编码器（SDA）和卷积块注意力模块（CBAM）整合到端到端判别框架中。核心贡献是把去噪扩散概率模型（DDPM）直接用作分类器的辅助去噪目标，而非主要用于数据生成或增强。 机制上，该框架联合利用空间滤波、去噪表示学习与注意力模块处理 EEG，但摘要未给出扩散过程的具体作用位置、噪声调度、分类与去噪损失的组合方式，也未说明推理阶段是否需要扩散采样；这些内容需结合全文核对，不能据此判断计算成本或部署可行性。 作者在 Temple University Hospital Abnormal EEG Corpus（TUAB）与 Temple University Epilepsy Corpus（TUEP）上进行评估，并报告相较 EEGNet、Deep4Net、ChronoNet、temporal convolutional networks 和 Diff-E backbone，DiffSA-EEG 达到最佳或相近表现，其中 Accuracy 与 AUC-ROC 的收益最为一致。摘要未提供具体数值、样本规模、被试划分及被试内或跨被试协议，因此尚不能量化收益或判断泛化范围。 作者报告消融结果具有数据集依赖性：空间滤波与 SDA 的组合在 TUAB 上最有效，SDA 与 CBAM 的组合在 TUEP 上表现更优。这提示组件选择需要按任务和数据条件验证，而非默认全部模块同时使用最优。作者还报告 Grad-CAM 空间模式与既有神经生理标志物大体一致，但该结果不等同于临床有效性或因果解释的验证。 复现时需核对标签定义、预处理与通道配置、划分协议、基线训练条件、辅助目标权重，以及消融和统计信息；这些细节尚未验证。材料属于临床 EEG 分类方法研究，不能据摘要将结果扩展为 BCI 在线控制效果或临床实践建议。

1月26日周一
  1. OpenReview · Representation learning73

    CARL：在表示学习中保持因果结构

    基于摘要分析。该研究关注跨模态表示学习中的因果结构漂移：非线性映射可能引入伪依赖或丢失关键中介变量，使共享表示不再支持原有因果推断。作者提出 Causal Alignment and Representation Learning（CARL），将因果结构保持约束嵌入跨模态对齐目标，在压缩与变量保留之间取得平衡。 机制上，CARL 采用多一致性损失，联合优化条件独立保持与信息瓶颈正则化，旨在避免低密度模态被高密度模态的重建需求掩盖。另以 Spearman 相关构建单调对齐一致性损失，约束语义相似性与表示距离之间的对应关系；通过 Markov boundary 保持损失，尝试在共享表示空间中维持后门、前门及工具变量等因果识别条件。具体损失公式、因果结构先验来源、估计方法及保证成立的假设尚未验证，不能仅凭摘要将其视为普遍的因果不变性保证。 作者报告，在具有已知因果真值的合成实验中，CARL 在条件独立模式保持与结构不确定性下的因果查询可识别性方面达到最先进表现，但摘要未给出指标数值或对照方法。作者还报告，在 Human Phenotype Project 数据上，该方法保留了眼底血管表示与心血管事件之间的因果结构。具体样本、模态配置、数据划分、混杂控制、实验协议、消融及统计信息尚未验证；这些表述不等同于已证实临床因果效应。 平台推测（待验证）：若 EEG 与其他模态共享可检验的因果变量结构，CARL 的条件独立保持与压缩约束可能用于研究跨模态对齐是否损失关键变量。可复用的是约束思路，需改造 EEG 编码、语义相似性定义及因果变量映射；低信噪比、被试差异、通道变化与小数据可能使条件独立估计不稳定。一个可证伪的小实验是在具有已知因果图的模拟 EEG—辅助模态数据上，对比普通对齐与加入 CARL 约束后的条件独立保持和因果查询可识别性，而非仅比较任务预测指标。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 CARL 如何将条件独立与 Markov boundary 保持纳入跨模态表示学习，以及这些约束能否支撑因果查询可识别性；摘要中的理论保证与实验优势尚需全文验证。

  2. OpenReview · Representation learning73

    通过调制表征学习提升开放集识别性能

    基于摘要分析。研究针对开放集识别（OSR）中识别训练类别之外新语义类别的问题，提出以动态温度调度替代固定 logits 温度，使表征学习在实例级特征与类别特异性特征之间逐步转换；其中包括作者提出的 negative cosine schedule。 机制上，作者描述调度在训练初期侧重较少邻居以形成粗略决策边界，随后逐渐关注更多邻居以平滑边界，期望获得更丰富、泛化能力更强的表征。摘要未给出温度函数、取值范围、邻居定义及其与各损失的具体作用关系，这些实现细节尚未验证。与引入正则化或 mix-up 等辅助负样本的路径相比，作者称该调度可并入现有 OSR 损失且不增加计算开销；开销核算范围仍需正文确认。 作者报告，在采用 cross-entropy、contrastive 和 ARPL 损失的多个基线上，新调度在多数情况下同时改善开放集与闭集性能，尤其在更困难的 semantic shift benchmarks 上。摘要未提供数据集、已知类与未知类划分、评价指标或具体数值，因此不能判断提升幅度，也不能比较不同协议下的效果；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务需要拒识训练中未覆盖的语义类别，动态温度可能用于调节表征的局部区分与类内聚合。可复用的是温度调度，需改造的是 EEG 编码器、邻居构造及未知类评估协议；低信噪比、小样本和跨被试差异可能使邻居关系不可靠，并将被试偏移误判为新类别。一个可检验的小实验是在固定 EEG 编码器、损失和类别留出划分下比较固定温度与该调度，分别评估已知类分类和未知类拒识，并核对训练开销。该迁移假设尚无材料内的 EEG 证据，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对温度调度能否作为不同 OSR 损失的低成本改造提升未知类识别，尤其需复现作者报告的语义偏移场景收益及闭集性能变化。

  3. OpenReview · Representation learning74

    在线表征学习与强化学习的 Stackelberg 耦合

    基于摘要分析。该研究针对 Deep Q-learning 中表征与价值估计相互依赖、随非平稳目标共同变化而产生的训练不稳定问题，提出 Stackelberg Coupled Representation and Reinforcement Learning（SCORER）。其核心贡献是把表征学习与 Q-learning 建模为层级博弈中的两个参与者，通过非对称更新实现稳定的协同适应。 机制上，Q-function 作为领导者，以较低频率更新并承诺其策略；感知网络（编码器）作为跟随者，更频繁地调整表征，在领导者策略固定时降低 Bellman 误差的方差。摘要将两者的目标分别描述为最小化均方 Bellman 误差（MSBE）及其方差，并认为方差降低可减少价值估计偏差。该框架形成双层优化问题，以双时间尺度算法近似求解，有别于整体式网络中的同步参数更新。具体方差估计方式、梯度计算、更新频率及偏差降低所需条件尚未验证。 作者报告，在 DQN 及其变体上的实验表明，收益来自算法机制而非模型复杂度；摘要未提供任务、数据规模、对照配置或具体指标，因此无法判断收益幅度与适用范围。实验协议、消融及统计信息尚未验证，复现还需核对网络配置、优化目标实现和双时间尺度调度。 平台推测（待验证）：若 EEG/BCI 问题被明确建模为序贯决策，该机制可能用于缓解编码器表征变化与自举价值目标相互影响的瓶颈，而不能直接视为 EEG 分类方法。迁移依赖可定义的状态、动作、奖励及离策略数据；可复用双时间尺度更新思路，但需改造 EEG 编码器与任务接口。低信噪比、跨被试或通道差异可能使方差估计不稳，小数据也可能不足以支撑跟随者频繁更新。可在固定被试划分与相同模型容量的 EEG 序贯决策任务中，对照同步更新、仅改变更新频率和完整 SCORER，检验价值误差方差与任务表现是否同步改善。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其将 Q-function 与编码器分工为均方 Bellman 误差及其方差优化、并采用双时间尺度更新的机制，尤其是性能收益能否与更新频率和模型复杂度的影响区分。

11月27日周四
  1. OpenReview · EEG79

    从少量 EEG 试次估计事件相关电位

    基于摘要分析。研究针对传统 ERP 估计需要平均大量 EEG 试次以降低噪声与信号变异的问题，提出不确定性感知自编码器 EEG2ERP，将任意数量的 EEG 试次映射为对应 ERP，并建模估计的不确定性。 核心机制是使用 bootstrap 构造训练目标，并引入独立的方差解码器描述 ERP 估计的不确定性。摘要未说明可变试次数输入如何组织、具体损失函数、网络结构及方差输出的校准方法，这些实现细节尚未验证。作者声称这是首个将 EEG 信号映射为对应 ERP 的深度学习方法；该优先性声明尚未独立检索确认。 评估采用面向新被试泛化的零样本场景，即 Cross-subject 评估，涉及三个公开数据来源：ERP CORE，包含来自 40 名被试、覆盖六种 ERP 范式的超过 50,000 个 EEG 试次；P300 Speller BCI 数据集；以及同时包含 EEG 与 MEG 的面孔感知神经成像数据集。摘要未交代各数据源的训练与测试划分，也未说明面孔感知数据中 MEG 的具体使用方式，不能据此认定采用了 EEG–MEG 联合建模或 Cross-dataset 评估。 作者报告，在上述新被试零样本评估的少试次条件下，EEG2ERP 持续优于常规平均和稳健平均方法，但摘要未提供误差指标、具体试次数、效应大小或统计信息。这一结果支持进一步核查其减少 ERP 研究试次需求的潜力，不等同于已验证 P300 在线分类性能或临床效用。 复现可从材料提供的 EEG2ERP 代码仓库入手，重点核对 ERP 参考目标的构造、bootstrap 采样流程、被试划分、不同试次数下的比较，以及方差预测与实际估计误差是否一致。实验协议、消融及统计信息尚未验证。

    阅读价值：值得关注 EEG2ERP 如何结合 bootstrap 训练目标与独立方差解码器，在新被试零样本条件下估计少试次 ERP；其误差优势及不确定性校准仍需核对全文与代码。

1月23日周四
  1. OpenReview · State space models78

    面向不规则时间序列的连续状态空间 Feynman-Kac 模型摊销控制

    基于摘要分析。本文研究不规则、离散观测下的连续时间序列建模，提出 Amortized Control of continuous State Space Model（ACSSM），以观测条件化的连续潜在动力学统一支持分类、回归、插值和外推任务。 核心机制是先通过多边缘 Doob's h-transform 构造以不规则观测为条件的连续动力系统，再借助随机最优控制（SOC）理论进行变分推断，近似难以直接求解的 Doob's h-transform 并模拟条件化动力学。作者提出具有紧致证据下界（ELBO）的推断算法，但该下界的具体形式、成立条件及紧致性论证尚未验证。 在计算实现上，ACSSM 使用辅助变量灵活参数化潜在动力学与摊销控制，并结合 simulation-free 潜在动力学框架和基于 transformer 的数据同化方案，使潜在状态推断与 ELBO 计算能够并行进行。这里的关键阅读点是条件化动力学、控制近似与并行推断如何衔接；摘要不足以确定 simulation-free 的具体实现及其与动力学模拟之间的关系。 作者报告，在多种真实世界数据集上的分类、回归、插值和外推评估中，ACSSM 获得更优性能并保持计算效率。摘要未给出数据集名称、划分、对照基线、指标数值或运行资源，故不能判断优势幅度及适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能适用于存在缺测或异步采样的 EEG 多模态记录，但原领域结果不等于 BCI 有效。迁移假设依赖可用时间戳和足够观测信息，可复用连续动力学及摊销推断思路，需改造观测模型与通道表示；低信噪比、跨被试差异和小数据可能导致潜在动力学估计不稳定。可在固定被试内划分下，对同一 EEG 数据施加受控缺测，比较 ACSSM 与规则重采样后的基线在插值误差及下游任务指标上的变化。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读的是其将多边缘 Doob's h-transform、随机最优控制与摊销推断结合，用于不规则观测下的连续潜在动力学建模；性能优势与计算效率仍需结合全文中的评估协议核对。

  2. OpenReview · Representation learning78

    重新思考性能敏感任务中的公平表征学习

    基于摘要分析。本文研究用于偏差缓解的公平表征学习，核心贡献是通过因果推理区分并形式化数据集偏差来源，揭示这类方法的隐含假设，并分析其在同分布评估与分布偏移下的适用边界。 理论方面，作者报告：当评估数据与训练数据来自同一分布时，公平表征学习存在基本局限。摘要未给出定理的具体假设、公平性定义、任务性能目标或局限的数学形式，因此不能将其概括为所有公平表征方法均无效，也不能断言公平性与准确率必然冲突。 实验方面，作者在多种医学模态上考察分布偏移下的公平表征学习。作者报告，数据背后的因果与统计因素会影响方法有效性，并认为这些因素有助于解释既有文献中的表面矛盾；据此，作者质疑当前评估实践及其在性能敏感场景中的适用性，主张更细粒度地分析数据集偏差。具体医学模态、数据集、样本量、划分、对照、指标和效应大小未在摘要中提供，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：对 EEG/BCI 的潜在启示是，不能直接把被试或群体相关信息全部视为应消除的偏差；假设其中部分信息同时承载任务信号，去除它们可能损害解码。可复用的是偏差来源的因果分析与分布偏移评估思路，而非摘要中尚未披露的具体模型。小规模检验可固定解码器与数据划分，对比原始表征和公平表征在被试内、跨被试条件下的任务指标与预先定义的公平性指标，并核对低信噪比、小样本及通道变化的影响。该假设不代表已证实的 EEG 效果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其对公平表征学习隐含因果假设及同分布评估局限的分析，以核对偏差缓解是否与任务性能目标兼容，但具体定理条件和实验结论尚需全文验证。

1月16日周二
  1. OpenReview · Representation learning79

    正确的 Laplacian 表征学习

    基于摘要分析。本文研究强化学习中的状态表征问题，提出用于近似 Laplacian 表征的新目标函数及配套优化算法，旨在准确恢复图 Laplacian 的特征向量和特征值，避免既有近似方法中的任意旋转及相关超参数依赖。 Laplacian 表征通过图的谱结构编码状态，可用于探索、泛化与迁移，也可为时间扩展动作发现和奖励塑形提供内在奖励。摘要指出，既有适配深度学习的近似目标存在难以高效调节的超参数，且可能收敛到目标特征向量的任意旋转，无法准确恢复对应特征值。作者报告，新方法具有理论保证，并在多个环境中表现出稳健的学习效果；但摘要未提供目标函数形式、优化步骤、环境名称、基线及量化指标，实验协议、消融及统计信息尚未验证。“消除超参数依赖”应限定为摘要所指的既有近似方法依赖，不能解释为整个训练过程无需超参数。 平台推测（待验证）：若 EEG 数据能够构造具有可靠邻接关系的样本图，该方法可能用于学习保留谱结构的表征，探索 EEG 表征的稳定性问题。这是假设，原领域效果不等于 BCI 效果。迁移需核对原方法对状态转移数据、图构造和采样规模的要求；可考虑复用谱目标与优化机制，但需改造 EEG 编码器及邻接关系。低信噪比、跨被试差异、通道配置变化和小数据可能使图结构偏离任务相关关系，即便谱恢复准确也未必改善解码。一个可检验的小实验是在固定 EEG 样本图、编码器与被试内划分下，对比既有近似目标和新目标的谱恢复误差、多次训练稳定性及下游解码表现；具体方案须待全文核对后确定。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其目标函数与优化算法如何消除 Laplacian 表征的任意旋转并同时恢复特征值，这直接关系到谱表征的可辨识性与复现稳定性，但具体实验协议尚未验证。

11月29日周三
  1. OpenReview · Representation learning74

    用于自监督表征学习的随机场数据增强

    基于摘要分析。该研究针对图像自监督表征学习中数据增强决定表征不变性、而增强方式仍有待探索的问题，提出基于高斯随机场的局部变换族，将传统仿射与颜色变换扩展为参数可随像素位置变化的增强。 核心机制是将变换参数视为空间坐标的连续函数，并用相互独立的高斯随机场建模。与平移、旋转、color jitter 等传统增强相比，该方法扩大了局部变换的可能范围；具体随机场构造、参数化方式、自监督目标及训练流程尚未验证。 作者报告，在 ImageNet 下游分类中，相对基线的 top-1 Accuracy 提升为原文所述的 1.7%；在分布外 iNaturalist 下游分类中，提升为原文所述的 3.6%。摘要未明确这些数值是相对百分比还是百分点，也未明确后一指标、基线方法、数据划分和评估协议，不能据此进行跨协议比较。作者同时报告，温和变换有助于表征学习，但较强变换可能破坏图像结构，且表征对超参数敏感。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移假设是以平滑随机参数场生成局部变化，帮助 EEG 自监督学习覆盖有限的时空扰动。原方法依赖图像空间坐标；迁移时需将参数场改造为时间轴或电极空间上的函数，并确认增强仍保留任务相关信号，而非直接照搬图像仿射与颜色变换。低信噪比、小数据、跨被试差异及不规则通道布局可能放大增强误差，破坏 ERP 时序或频谱线索。一个可证伪的小实验是在固定 Cross-subject 划分、自监督目标和下游评估协议下，对比无增强、常规增强与不同强度的随机场增强，检验温和增强能否稳定获益及强增强是否退化。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其高斯随机场如何控制局部增强的平滑性与强度，以及增强多样性带来收益和破坏图像结构之间的边界；其对 EEG 自监督学习的迁移价值尚未验证。

10月28日周六
  1. OpenReview · Representation learning69

    表征层面的共识优化：通过以数据为中心的正则化改进个性化联邦学习

    基于摘要分析。该研究针对异质数据下个性化联邦学习的矛盾：客户端模型需要适应本地分布，同时保持一定共性以抑制 client-drift。作者提出将共识优化施加于各客户端模型的表征部分，而非整个本地模型，以兼顾共享约束与个性化灵活性。 机制上，研究利用深度网络通常可划分为特征提取部分与预测部分的结构，将共识约束集中于表征。相较于对完整模型施加相似性正则化的方法，这一设计改变了共识约束的作用范围；相较于要求完全共享表征的方法，它允许客户端表征随数据分布而变化。具体正则项、共识变量、优化流程及预测部分的训练与聚合方式尚未验证，不能仅依据标题确定“以数据为中心”的具体实现。 作者报告在标准数据集上进行了实验并取得良好表现，但摘要未列出数据集名称、客户端划分、异质性构造、对照基线或量化指标。实验协议、消融及统计信息尚未验证，因此目前只能确认研究提出了表征层面的共识优化思路，不能判断其收益幅度或适用边界。 平台推测（待验证）：假设将被试或采集站点视为客户端，该机制可能用于缓解 EEG 个性化联邦学习中共享表征与跨被试分布差异之间的冲突。可复用的是表征共识正则化思路，需改造 EEG 特征提取模块、通道对齐与本地任务训练接口，并核对方法所需的监督条件及通信规模。低信噪比、通道配置差异和本地小数据可能使共识约束压制有效的个体特征。一个可检验的小实验是在固定 EEG 任务、每名被试作为客户端且本地训练与测试数据分离的条件下，对比表征共识、完整模型共识与完全共享表征，观察各客户端测试性能及正则强度的影响；该方案并非论文已验证结果，相关 EEG 工作尚未检索确认。

9月22日周五
  1. OpenReview · Representation learning78

    双线性 Bandit 纯探索中的多任务表示学习

    基于摘要分析。该研究关注双线性 Bandit 的多任务纯探索问题：利用任务间共享的低维线性表示，以更少样本识别各任务的最优臂对。作者提出 GOBLIN，通过实验设计分配用于学习全局表示和识别各任务最优动作的样本，并提供样本复杂度分析。 问题机制：每个动作由来自两种不同实体类型的两个臂组成，奖励是两臂已知特征向量的双线性函数。多任务共享低维线性表示，因此一个任务中的采样可能帮助其他任务学习共同结构。GOBLIN 的核心是同时考虑共享表示的学习需求与各任务最优臂对的辨识需求，而不是将任务完全独立求解；具体估计器、采样阶段与停止规则尚未验证。 结果与证据：作者报告，相较于独立求解各任务，学习共享表示能够显著改善样本复杂度；摘要未给出具体界、改善幅度或实验指标。作者称，据其所知，这是首项对具有共享表示的双线性 Bandit 纯探索问题给出样本复杂度分析的研究，该优先性声明尚未独立核实。理论假设、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 BCI 校准可被建模为两类候选配置的配对选择，具有已知特征、可重复获得的标量反馈，且不同被试或会话确实共享低维结构，该机制可能用于减少逐任务搜索成本。这是假设，不是已证实的 EEG 效果。可复用的是共享表示与实验设计的采样分配思路；需改造的是 EEG 配置特征、反馈定义及非平稳性处理。低信噪比、被试差异、通道变化和小样本下的表示估计误差，都可能使共享结构假设失效。一个可证伪的小实验是，在固定候选配置与相同反馈预算下，比较共享表示策略和独立任务策略识别最优配置的成功率，并检查收益是否随任务相似性降低而消失。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其如何通过实验设计协调共享表示学习与逐任务最优动作识别的采样预算，以及样本复杂度改善所依赖的条件；其对 BCI 校准的价值尚未验证。

  2. OpenReview · Representation learning81

    面向一般任务空间的主动表征学习及其机器人应用

    基于摘要分析。本文研究多任务预训练中应从哪些源任务采样，提出主动表征学习的算法与理论框架，同时覆盖面向特定目标任务和面向一类任务的通用表征学习，支持从离散到连续的源任务与目标任务空间。 核心机制是主动选择源任务，而非被动分配采样。作者提出可操作的元算法，并给出双线性、基于特征的非线性及一般非线性情形的实例，称其兼容深度表征学习实践。摘要未提供具体采样准则、模型结构、损失函数及训练流程。 作者报告，在双线性情形下，利用任务表征的非均匀谱和经校准的源—目标相关性，达到目标任务 ε 超额风险所需的样本复杂度随 (k*)²‖v*‖₂²ε⁻² 缩放；其中 k* 为目标的有效维度，‖v*‖₂²∈(0,1] 描述源与目标空间的联系。摘要将相对被动方法的样本复杂度节省表述为最高 1/d_W，d_W 为任务空间维度；这一表述的精确定义及适用假设需核对全文，不宜直接换算为百分比。 作者在合成数据、摆系统仿真与真实无人机飞行数据上验证不同实例，报告相对基线平均提升 20%–70%。摘要未说明对应指标、基线、数据划分及各任务结果，因此不能将该范围解释为 Accuracy 提升或直接跨任务比较。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 中的被试或会话可建模为源任务，且存在可估计的源—目标相关性，该框架可能用于有限预算下选择预训练数据。可复用的是任务采样策略，需改造任务描述、相关性估计与 EEG 编码器；其依赖多源任务数据及可比较的学习反馈。低信噪比、通道差异和小样本可能使相关性估计不稳定，导致负迁移。一个可证伪的小实验是固定编码器、总采样预算与目标训练数据，在相同 Cross-subject 划分下比较主动源任务采样和均匀采样，并报告目标被试上的同一指标及不确定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是其将源任务主动选择统一到面向特定目标与任务无关的表征学习框架，并以源—目标相关性解释采样效率；理论条件与机器人实验中的提升指标仍需全文核对。