跳到正文
只看学习与优化#EEG
10月7日周三
  1. arXiv · EEG 与神经表征72

    用于伪迹衰减的细粒度 EEG 成分弱监督标注：一项概念验证研究

    基于摘要分析。研究针对 EEG 中 EMG 伪迹与神经活动在空间和频谱上重叠、盲源分离后仍可能存在混合源，以及可靠成分级真值稀缺的问题，提出结合频率感知高维表征与 Multi-Instance Learning 的弱监督框架，用 epoch 级标签学习更细粒度的伪迹评分，并据此进行衰减。 核心机制是将分离后的成分展开为频率分辨的成分内子成分（intra-components），以提高混合神经活动与肌肉活动的可分性。Multi-Instance Learning 则利用较粗粒度的 epoch 标签，为各子成分学习伪迹可能性评分，无需提供更细粒度的真值。该研究的重点是细化检测与评分引导的衰减，而非直接将整个混合成分判为伪迹并移除；具体分离算法、表征构造、标签生成、学习目标及衰减规则尚未验证。 作者报告，在留出被试的评估中，框架学到了有信息量的子成分评分，并减少了伪迹相关的频谱偏差：下颌紧张条件下效果最明显，抬眉条件下效果中等，皱眉条件下效果有限。这表明摘要所述效果随肌肉活动类型而变化，不能外推为对所有 EMG 伪迹均有效，也不能仅凭频谱偏差降低认定神经信号得到完整保留。 摘要未提供数据集名称、被试数量、具体划分、基线、数值指标或统计检验。实验协议、消融及统计信息尚未验证；复现需核对 epoch 标签与子成分之间的映射、留出被试的训练与测试流程，以及评分到衰减强度的转换方式。还需通过神经信号保真度或下游任务指标，验证其是否在减弱肌电污染的同时避免损伤有效 EEG。代码与数据可用性尚未验证。

    阅读价值：值得阅读的具体原因是其将频率分辨的成分细化与 Multi-Instance Learning 结合，探索仅凭 epoch 级标签学习细粒度 EMG 伪迹评分的可行性；评分可靠性及衰减后神经信号的保真度仍需全文核对。

10月6日周二
  1. arXiv · EEG 与神经表征80

    CogAdapt：认知信息引导的代码 LLM 稀疏适应

    基于摘要分析。研究针对代码 LLM 微调成本较高的问题，提出 CogAdapt：利用人类阅读代码时的 EEG 与注意数据，学习程序级和 token 级认知先验，并据此选择性更新模型，以兼顾代码生成性能与适应参数规模。 核心机制是将可迁移的认知先验与冻结模型对各编码任务的响应相结合，决定适应规模及需要更新的 transformer blocks；微调期间仅更新选定模块，推理时不需要新增人类记录。与摘要所述通常更新较大部分模型的人类认知对齐方法相比，其重点不是仅用认知信号指导学习内容，而是进一步指导更新位置和规模。先验的具体学习目标、EEG 预处理、注意数据获取方式及模块选择规则尚未验证。 作者报告，在 Qwen 和 GLM 上，人类阅读行为与 Mixture-of-Experts（MoE）计算表现出一致对应关系。作者报告，CogAdapt 在 LiveCodeBench 和 BigCodeBench 的所比较设置中取得最佳 pass@1；其中在 LiveCodeBench 上，相较匹配的常规微调，提升分别为 10.86 和 6.29 个百分点，同时可参与梯度更新的适应参数减少 86.21–87.21%。摘要未明确各数值对应的模型配置，也未提供绝对 pass@1、数据划分或统计不确定性；参数减少不能直接等同于训练时间、显存或总计算成本同比下降。 该工作将 EEG 作为代码模型适应的认知指导信息，而非直接研究 BCI 解码。关键核对事项包括认知先验跨程序、任务及被试的可迁移性，认知信号相对纯模型响应选择策略的增益，以及匹配微调的参数预算和训练预算。被试数量、记录协议、训练与评估划分、消融、统计信息及代码可用性尚未验证，不能据此推断其适用于其他 EEG 任务。

    阅读价值：值得核对其如何将 EEG 与人类注意数据转化为代码模型的稀疏适应先验，以及性能提升和可参与梯度更新的参数减少能否在匹配微调协议下复现；这并非 EEG 解码性能的验证。

10月3日周六
  1. arXiv · EEG 与神经表征76

    COVER：学习在选择性睡眠分期中接受更多预测

    基于摘要分析。该研究针对 EEG 睡眠分期级联中的第一阶段：在给定接受风险目标下，让固定主分类器尽可能多地接受自身预测，将其余片段交给更强模型。作者提出 COVER（COVerage-oriented Error Ranking），通过辅助信息驱动的主分类器错误学习与固定尺度评分器细化，提高可接受预测的覆盖率，而不改变主分类器的预测标签。 核心机制包含两步：首先，用学习得到的错误评分替代最大 softmax 概率（MSP），以识别主分类器更可靠的预测；随后，在经验接受风险约束下直接优化覆盖率，而非仅优化所有 EEG 片段上的错误预测准确性。摘要未说明辅助信息的具体来源、评分器结构、损失形式及固定尺度细化的实现，这些细节尚未验证。 作者在 Sleep-EDF-20 上以 5% 接受风险为目标进行评估，被试从所有拟合与选择流程中留出。作者报告，在相近的被试等权风险下，辅助信息驱动的错误学习将平均被试覆盖率从 MSP 的 31.5% 提升至 48.8%。在每名被试接受片段数相同、合计接受 20,639 个片段的比较中，MSP 与学习评分器的错误数分别为 1,467 和 867。作者还报告，固定尺度细化在嵌套开发评估中相对初始化增加了 1.7 个百分点的覆盖率；最终 COVER 在八种评分器中取得最高平均覆盖率，为 50.4%，对应被试等权风险为 4.5%，比较方法 SELE 与 DuoF 的覆盖率分别为 49.3% 和 43.6%。摘要未给出后二者各自的风险值，不能据此认定它们处于完全相同的风险水平。 阅读与复现时应重点核对辅助信息如何参与训练、风险阈值与评分器的选择流程、嵌套开发协议、被试间风险差异及统计不确定性。该工作评估的是级联入口的选择机制，覆盖率收益不等同于完整级联的计算节省或最终睡眠分期性能提升；完整级联表现、实验协议细节、消融及统计信息尚未验证。

    阅读价值：值得阅读的是其在不改变主分类器预测标签的前提下，将错误排序与接受风险约束下的覆盖率优化结合；作者报告了留出被试上的覆盖率收益，但完整级联的计算节省尚未验证。