跳到正文
只看表征与基础模型#已接收
10月4日周日
  1. OpenReview · Representation learning78

    强化学习中的终止表示

    基于摘要分析。该研究针对强化学习（RL）中时空抽象表示的计算与存储开销，提出 terminal representation（TR，终止表示）：编码奖励加权的轨迹，同时允许以较低维对象学习，并直接用于下游任务而无需特征向量计算。 机制与对照：successor representation（SR）以状态诱导的未来轨迹编码状态，将信息流与奖励解耦；default representation（DR）进一步用奖励加权轨迹，纳入信用分配结构。作者提出的 TR 与 DR 同样利用奖励加权轨迹，但采用不同的表示结构。摘要指出，既有特征分解路线带有对称转移动力学假设，TR 可绕过这一限制；该说法的适用范围与数学条件仍需核对正文。 理论与结果：作者报告推导了 TR 的理论基础，给出两种学习算法的收敛结果，并分析其零样本组合性及不同奖励表述之间的等价关系。作者还报告 TR 嵌入于 DR 的首要特征向量中，因此可在不进行特征分解的情况下获取相同的底层知识。对于 option discovery、reward shaping、transfer learning 和 exploration 等下游应用，作者报告了支持 TR 可行性的实验证据，并称其学习、存储和使用开销更低。摘要未给出具体环境、数据划分、基线配置、指标或开销数值，实验协议、消融及统计信息尚未验证。 BCI 关联：平台推测（待验证），若 BCI 自适应控制被建模为具有奖励与终止条件的序列决策问题，TR 可能提供降低状态表示开销的路径；这一假设依赖可估计的转移动力学和奖励结构，并非已证实的 EEG 解码收益。低信噪比、跨被试差异及有限交互数据可能影响表示学习与迁移。已有 EEG 相关工作尚未检索确认，当前应优先核对理论假设及原领域实验，再判断迁移价值。

    阅读价值：值得核对 TR 如何以较低维表示替代 SR/DR 的特征向量计算，以及其收敛条件与计算开销优势是否在相同下游任务和评估协议下成立。

3月3日周二
  1. OpenReview · Representation learning73

    面向 flow-matching 模型的结构化图像表征学习

    基于摘要分析。该研究针对标准 flow-matching 图像生成模型难以同时学得可操作、可组合及可供其他任务使用的潜在表征这一问题，提出共同训练图像编码器与以潜变量为条件的 flow-matching“解码器”，将无监督表征学习与图像生成结合。 核心机制是使用强化学习目标训练编码器，并将 flow-matching 回归损失作为随机奖励信号。作者进一步修改强化学习目标，使期望奖励以噪声水平为条件，从而让编码器利用 flow-matching 输出与带噪目标比较所产生的中间信号。摘要未提供奖励与损失的具体转换、梯度估计方式、噪声条件化的实现，以及结构化潜变量的定义与约束，这些细节尚未验证。 作者报告，该方法能够学习非结构化与结构化潜变量，同时保留 flow-matching 的高质量生成能力；但摘要未给出数据集、评估协议、对照模型或定量指标，因此尚不能确认表征的可组合性、下游效用与生成质量之间的权衡。实验协议、消融及统计信息尚未验证，复现还需核对编码器与生成模型的训练安排及实现条件。 平台推测（待验证）：若潜变量能分离任务相关因素与噪声因素，该机制可能用于 EEG 时频图的无监督表征学习。原方法依赖图像输入、带噪目标和条件生成训练；迁移时需改造编码器、生成目标及潜变量结构，以适配通道关系和时间信息。低信噪比、跨被试差异及小数据可能使潜变量优先编码伪迹或被试身份，而非任务信息。可检验的小实验是在固定 Cross-subject 划分下，仅用训练被试数据学习表征，再以冻结编码器进行任务线性探测，并与非结构化潜变量版本比较，同时检查被试身份可预测性。该实验属于迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其以 flow-matching 回归损失作为随机奖励、并按噪声水平条件化期望奖励的编码器训练机制，以及结构化潜变量的可复用性是否获得下游实验支持。

3月2日周一
  1. OpenReview · EEG69

    平衡潜在语义与信号保真度的 EEG 表征学习

    基于摘要分析。该研究针对 EEG 低信噪比与被试差异带来的表征学习困难，提出基础模型 STELAR，通过双空间目标兼顾潜在语义稳定性和原始信号保真度，并使用 MTPE-GB 自适应平衡两类任务。 核心机制：作者认为，依赖原始信号重建的现有基础模型容易过拟合局部噪声。STELAR 将 patch 级掩码潜在预测与掩码信号重建结合，前者用于学习稳定语义，后者用于保留原始信号信息。摘要未说明潜在预测目标如何生成、掩码策略、编码器结构或具体损失形式，这些细节尚未验证。 任务平衡：MTPE-GB 被描述为验证驱动的梯度平衡器，可自适应调整任务权重。作者声称该机制不需要手工调参，也不增加计算开销；其验证信号来源、权重更新规则及开销核算范围需由全文确认。 结果与边界：作者报告，STELAR 在多个 EEG 基准的线性探测评估中达到最先进表现，并据此主张模型具有稳健泛化能力。摘要未提供数据集名称、被试规模、划分方式、对照基线或具体指标，因此尚不能确定这些结果对应被试内、跨被试、跨会话还是跨数据集泛化，也不能据此推断端到端微调或临床诊断效果。实验协议、消融及统计信息尚未验证。 复现重点是核对双目标相对单独重建或单独潜在预测的贡献，以及 MTPE-GB 相对固定权重的收益与实际计算成本。作者表示将发布全部源代码，但当前材料不足以确认代码已经公开。

1月26日周一
  1. OpenReview · Representation learning69

    面向医学超声的解剖感知表征学习

    基于摘要分析。研究针对医学超声图像纹理与结构特征独特、诊断依赖专业经验以及大规模数据稀缺的问题，提出自监督表征学习框架 Anatomy-aware Representation Learning（ARL），旨在学习适用于超声诊断的解剖感知特征。 核心方法是引入 anatomy-adaptive Vision Transformer（A-ViT），利用作者提出的大规模医学超声数据集进行参数学习，以获得解剖感知表征。摘要未说明解剖信息如何进入模型、是否需要解剖标注、自监督目标及具体训练与推理流程，因此尚不能判断其相对通用 Vision Transformer 的机制差异，也不能将其等同于某种特定的掩码建模或对比学习方法。 作者报告，在乳腺癌与甲状腺癌相关诊断、心脏切面分类、胆囊肿瘤及 COVID-19 识别等超声任务上，ARL 显著优于现有自监督学习基线。摘要未提供数据集名称、样本规模、划分方式、基线配置、指标或具体数值；实验协议、消融及统计信息尚未验证。复现时需核对预训练数据与下游评估数据的关系、解剖适应组件的实现，以及数据和代码的可用性。 平台推测（待验证）：其可迁移假设是，将领域结构先验纳入自监督表征可能有助于缓解 EEG 通道结构差异与小样本学习问题，但超声空间纹理与 EEG 时序信号的数据结构不同。可考虑复用领域适应的编码器设计思路，需重新构造时序输入与电极空间信息；低信噪比、跨被试差异和缺失通道可能使结构先验失效。待全文明确机制后，可在固定 Cross-subject 划分与训练预算下，对照通用编码器和加入电极结构先验的版本，并测试通道缺失时的表现，以检验这一假设。相关 EEG 工作尚未检索确认。

  2. OpenReview · Representation learning68

    学习 3D Gaussian Splatting 的统一表示

    基于摘要分析。该研究针对 3D Gaussian Splatting（3DGS）原始参数难以直接作为神经网络特征的问题，提出基于 continuous submanifold fields（连续子流形场）的嵌入表示，旨在保留 Gaussian primitives 的内在颜色与几何信息，并实现唯一映射和通道同质性。 核心问题在于：3DGS 虽可支持高效、显式的三维重建，但其参数化具有非唯一性与异质性。作者认为，直接将原始 Gaussian 参数输入学习框架未能解决这些性质，容易得到高度依赖具体数据的模型。本文的思路是重构输入表示，而非仅依赖下游网络自行适应原始参数；摘要未说明连续子流形场的具体构造、唯一映射的定义及保障方式，也未披露损失函数、训练或推理流程。 作者主张该嵌入有利于 3DGS 学习，但摘要未提供任务、数据集、对照基线或定量指标，因此不能据此判断收益大小及泛化范围。实验协议、消融及统计信息尚未验证；复现还需核对场表示的计算方式、离散化与采样要求，以及相对原始参数输入的计算开销。 平台推测（待验证）：处理输入表示非唯一性与通道异质性的思路可能启发 EEG 表征设计，但当前机制依赖三维 Gaussian primitives 的几何与颜色结构，不能直接等同于 EEG 电极通道及时间序列结构。材料不足以提出可靠的 BCI 迁移方案，已有 EEG 相关工作尚未检索确认。

9月19日周五
  1. OpenReview · Representation learning71

    FORLA：基于 Slot Attention 的联邦对象中心表征学习

    基于摘要分析。FORLA 面向异质、无标签视觉数据上的联邦表征学习，尝试在保留跨客户端共同信息的同时解耦域特有因素。其核心贡献是协同训练共享特征适配器与共享 slot attention 模块，将基础模型特征适配与对象中心表征学习结合起来。 机制上，共享适配器负责转换基础模型提供的特征，slot attention 模块学习重建适配后的特征，并承担跨客户端对象级表征对齐。为优化适配器，作者设计了双分支 student–teacher 架构：各客户端的 student decoder 重建基础模型的完整特征，teacher decoder 重建适配后的低维特征。摘要未给出具体损失形式、教师更新方式、联邦聚合策略或基础模型配置，这些实现条件尚未验证。 作者报告，在多个真实世界数据集的对象发现任务中，FORLA 优于集中式基线，并学得紧凑、可跨域泛化的表征。但摘要未提供数据集名称、客户端划分、评价指标、数值结果及基线配置，因而无法判断优势出现的具体条件，也不能据此认定其在所有联邦设置下优于集中式训练。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移至 EEG 的假设是，共享适配器可缓解不同被试或采集域的特征差异，slot attention 可用于提取跨域共有的潜在成分。原方法依赖基础模型特征及视觉对象结构；EEG 中是否存在可稳定分离、对齐的对应成分尚不明确。可复用部分是共享适配与潜在成分重建，需改造 EEG 特征编码、时空位置表示及客户端划分。低信噪比、通道不一致和小数据可能使 slot 聚合噪声或被试特有因素，而非任务相关成分。一个可检验的小实验是在固定 EEG 编码器和相同 Cross-subject 划分下，对比共享适配器单独使用与加入 slot attention 的方案，核对跨被试表现及成分稳定性；这不是已验证的 BCI 结果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的具体原因是 FORLA 将共享特征适配器、无监督 slot attention 与双分支 student–teacher 重建结合，用于异质客户端间的对象级表征对齐，但其优于集中式基线的条件及向 EEG 迁移的可行性尚未验证。

  2. OpenReview · Representation learning74

    面向定制任务的条件表征学习

    基于摘要分析。该研究针对通用表征偏向主导语义、难以匹配用户定制任务的问题，提出 Conditional Representation Learning（CRL），利用用户指定的语义准则构造条件特征空间，并将图像表示投影到该空间，为定制分类与检索任务提供表征。 核心机制：作者提出，特征空间的语义由其基决定，因此可用一组描述性词语近似定制空间的基。CRL 先通过大语言模型（LLM）生成与用户准则相关的描述文本，再借助视觉语言模型（VLM）将图像表示投影到相应条件空间。摘要以动物栖息地分析为例，说明任务需要场景特征，而通用嵌入可能更强调类别语义。其方法侧重按准则调整表示空间，而非直接依赖监督微调；是否完全免训练、如何构造和规范化语义基、具体投影公式及计算成本尚未验证。 作者报告，分类与检索实验支持 CRL 的优越性和通用性，但摘要未提供数据集、划分、对照方法或具体指标，暂不能判断收益幅度及适用边界。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库地址，但实现细节、模型依赖和复现条件尚未核查，亦不能由仓库名称推断论文接收状态。 平台推测（待验证）：该机制可能为 EEG 中“通用表征未保留目标任务信息”的问题提供思路，但原方法依赖图像与文本之间的语义对齐，不能直接视为 EEG 方法。假设已有 EEG 编码器可与任务描述建立可靠对齐，可复用文本准则生成与条件投影思路，需改造信号编码和跨模态对齐模块。低信噪比、跨被试或通道差异，以及小数据条件下的对齐不稳定，可能使文本基无法对应可解码的神经特征。一个可检验的小实验是在固定的跨被试划分下，对同一冻结 EEG 表征比较原始表示、真实任务文本条件投影与打乱文本条件投影，检查增益是否确由任务语义带来。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 CRL 如何用文本构造条件语义基并投影图像表示，以缓解通用表征与定制任务的语义错配；其对 EEG/BCI 的适用性尚未验证。

5月1日周四
  1. OpenReview · Representation learning75

    强化学习中基于 Laplacian 的在线表征学习

    基于摘要分析。本文研究强化学习中的 Laplacian 表征能否与策略学习一起在线学习，并获得理论保证；核心贡献是基于 Asymmetric Graph Drawing Objective（AGDO）构建在线优化方法，分析在线投影梯度下降的收敛性。 该框架利用底层状态转移图的 Laplacian 矩阵特征向量，将原始感官观测编码为表征。论文关注的不只是表征是否有用，而是在持续交互、策略学习同时进行的条件下，能否在线获得目标 Laplacian 表征。作者报告，在一定假设下给出了收敛分析，并通过仿真实验验证向真实 Laplacian 表征的收敛；同时讨论不同强化学习算法与在线表征学习的兼容性。摘要未披露 AGDO 的具体形式、约束、假设内容、仿真环境、对照方法及定量结果，实验协议、消融及统计信息尚未验证，不能据此判断样本效率或跨任务泛化是否获得实际提升。 平台推测（待验证）：若 EEG 状态能够构成有意义的时间转移图，该机制可能用于学习保留状态转移结构的在线表征，为非平稳信号的持续更新提供一个研究切入点。这一假设依赖可靠的图构建与足够的转移观测，原领域的收敛结论不等于 EEG/BCI 有效。可考虑复用在线优化框架，但需改造 EEG 状态定义、邻接关系及观测编码；低信噪比、跨被试差异、通道变化和小数据可能使转移图失真或估计不稳定。一个可检验的小实验是，在固定被试内划分和相同 EEG 特征输入下，对比在线更新与冻结的 Laplacian 表征，检查目标值、表征稳定性及下游解码表现，并避免使用测试阶段未来观测构图。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的具体原因是作者将 Laplacian 表征学习表述为基于 AGDO 的在线优化问题，并分析在线投影梯度下降的收敛性，可用于核对表征更新与策略学习如何兼容，但其对 EEG/BCI 的适用性尚未验证。

1月23日周四
  1. OpenReview · Representation learning74

    迈向表征对齐的学习理论

    基于摘要分析。本文研究如何从学习理论角度理解不同 AI 模型之间的表征对齐，核心贡献是将任务语境中的 stitching 性质与底层表征的 kernel alignment 联系起来，而非仅以经验相似度判断表征是否对齐。 作者首先梳理并联系基于度量、概率与谱的不同对齐概念，随后聚焦 stitching，即在具体任务中考察不同表征之间的衔接与相互作用。作者报告，其理论结果建立了 stitching 性质与 kernel alignment 的关联，并将这一工作定位为把表征对齐形式化为学习理论问题的初步探索。摘要未给出具体定理、假设、界或 stitching 的实现方式，不能据此判断该关联是否意味着任务性能等价。 文中关于模型规模与性能提高时表征趋于对齐、乃至趋向共同现实统计模型的说法，是研究背景中的既有观点与猜想，不应视为本文已经证实的结论。具体数据、监督条件、模型规模依赖、实验协议、消融及统计信息尚未验证；复现或核验需取得正文中的对齐定义、理论假设及任务设置。 平台推测（待验证）：若该理论能处理不同表征空间及任务监督条件，可用于分析 EEG 跨被试或跨模型表征的相似性是否对应实际解码可迁移性。可借鉴的是 kernel alignment 与 stitching 的联合分析；需改造的是通道对应、表征接口及跨被试评估协议。低信噪比、被试差异和小样本可能使相似度估计不稳定。一个可检验的小实验是在固定跨被试划分下，比较不同 EEG 表征的 kernel alignment 与受控 stitching 后任务表现是否一致变化；这不是本文已验证的 EEG 结果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的具体原因是作者将任务语境中的 stitching 性质与表征的 kernel alignment 联系起来，为区分表征相似性与任务可用性提供学习理论视角，但具体结论及适用条件尚未验证。

10月11日周五
  1. OpenReview · Representation learning76

    通过低维建模理解基于扩散模型的表征学习

    基于摘要分析。研究探讨扩散模型为何、以及在何种条件下能够在以生成任务为设计目标的同时，学到高质量的自监督表征。作者提出，关键在于扩散模型通过受噪声水平控制的去噪目标，学习图像数据集的低维分布，并据此分析噪声尺度变化下的表征学习行为。 机制与贡献：作者报告，实证结果支持上述假设，不同噪声水平下的表征学习性能变化，与相应后验估计的质量密切相关。在这一观察基础上，作者提供了关于表征随噪声尺度变化呈单峰动态的理论解释，说明去噪过程如何学习有意义的表征。摘要还将扩散模型相对传统去噪自编码器的表征优势归因于其内在的参数共享机制，但具体共享方式、理论假设与对照设置尚未验证。 证据边界：摘要未给出数据集、模型规模、表征评估任务、数据划分或具体指标，因此不能量化优势，也不能判断结论适用的噪声范围与数据条件。实验协议、消融及统计信息尚未验证；复现前需核对低维分布的建模假设、后验估计质量的度量、表征提取位置，以及参数共享对照是否控制了其他因素。 平台推测（待验证）：若 EEG 信号在选定任务和预处理条件下具有可利用的低维结构，这一机制可能为选择自监督去噪的噪声尺度提供依据，但图像领域结果不等于 BCI 有效。可复用的是噪声尺度扫描与去噪表征评估思路，需改造输入表示、噪声模型及通道处理；低信噪比、跨被试差异和小数据可能使去噪目标偏向背景活动而非任务信息。一个可检验的小实验是在固定 EEG 数据划分、模型容量和训练预算下扫描噪声水平，分别评估去噪质量与冻结表征的任务分类表现，检验两者关系及表征性能是否呈单峰变化。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其关于噪声尺度、后验估计质量与表征性能之间关系的理论解释，并核对参数共享相对传统去噪自编码器的贡献；其对 EEG 自监督学习的适用性尚未验证。

9月26日周四
  1. OpenReview · Representation learning78

    用于强化学习的扩散谱表征

    基于摘要分析。本文针对强化学习（RL）中扩散模型采样推理成本较高的问题，提出 Diffusion Spectral Representation（Diff-SR），将扩散模型用于表征学习，而非在策略优化过程中依赖扩散采样。其核心贡献是利用扩散模型与能量模型的联系，为马尔可夫决策过程（MDP）及部分可观测马尔可夫决策过程（POMDP）的价值函数提取充分表征。 机制与创新：摘要将既有扩散方法的计算瓶颈归因于迭代采样，并提出从表征学习角度利用扩散模型对复杂分布的表达能力。作者称 Diff-SR 能支持高效策略优化及实用算法，同时绕开扩散模型采样的困难与推理成本。这里的“绕开采样”不等于消除全部训练或推理开销；谱表征的构造方式、充分性成立的假设、损失函数及策略优化接口尚未验证。 结果与证据边界：作者报告，在完全可观测与部分可观测设置下的多个基准上，Diff-SR 展现出稳健且有利的性能。摘要未提供具体基准名称、评价指标、对照方法或计算成本测量，因此尚不能量化其性能与效率收益。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，若 EEG 驱动的闭环 BCI 可建模为 POMDP，Diff-SR 的价值函数表征可能有助于处理观测不完整，并减少在线决策对扩散采样的依赖。但这一路径需要动作、奖励及状态转移轨迹，而非仅有 EEG 分类样本；可考虑复用表征学习与策略优化框架，需改造 EEG 观测编码及历史信息处理接口。低信噪比、跨被试分布变化、通道差异和小规模交互数据可能使表征学习失效。一个可检验的小实验是在固定 EEG 轨迹划分与相同交互预算下，对比 Diff-SR、直接扩散采样策略及非扩散表征基线的任务回报与决策延迟。该设想不代表已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其如何利用扩散模型与能量模型的联系提取价值函数表征，并绕开扩散采样的推理开销；表征充分性的具体条件和效率收益尚需全文核对。

  2. OpenReview · Representation learning76

    DenoiseRep：用于表征学习的去噪模型

    基于摘要分析。DenoiseRep 研究如何将去噪机制用于判别任务的表征学习，通过联合特征提取与去噪提升特征的判别能力。其核心贡献是将骨干网络中的各嵌入层视为逐步去噪层，并通过参数融合消除独立去噪计算。 机制上，作者将从低层到高层的级联特征提取，与递归、逐步的特征去噪统一起来。作者称，特征提取层与去噪层的参数可以融合，并给出了融合前后等价性的理论论证，据此主张特征去噪无需额外计算。摘要未说明去噪目标、噪声构造、损失形式、训练流程或参数融合的适用条件，这些内容尚需全文核对。该方法被描述为无需标签，也可与可用标签互补；这不等于所有下游任务的训练均不使用标签。 作者报告，在重识别数据集 Market-1501、DukeMTMC-reID、MSMT17、CUHK-03、vehicleID，图像分类数据集 ImageNet、UB200、Oxford-Pet、Flowers，以及 COCO 目标检测和 ADE20K 图像分割任务上观察到稳定的改进，并在 ResNet、ViT、Swin、Vmamda 架构上验证有效性。摘要未提供具体指标、数值、数据划分或对照基线，无法据此判断收益大小及不同任务间的可比性；实验协议、消融及统计信息尚未验证。复现还需核对融合实现、训练配置及代码可得性。 平台推测（待验证）：若逐层去噪确实能够保留判别信息，并且融合条件适用于 EEG 编码器，该机制可能用于缓解 EEG 表征中的噪声干扰。可复用部分是逐层特征去噪与参数融合思路；需改造部分包括时序与通道特征处理、噪声定义及下游监督方式。视觉数据上的结果不能证明其适用于低信噪比、跨被试或小样本 EEG；去噪可能误删弱任务信号，通道变化也可能破坏特征假设。一个可检验的小实验是在固定跨被试划分下，对比同一 EEG 骨干加入与不加入 DenoiseRep 的表现，同时检查融合前后输出一致性及推理开销。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其特征提取与去噪层参数融合的等价性条件，以及无需标签的特征增强能否在不增加推理计算的前提下稳定改善判别任务；向 EEG 迁移的有效性尚未验证。

  3. OpenReview · Representation learning77

    从表示学习视角理解 Transformers 如何进行上下文学习

    基于摘要分析。本文研究 Transformers 的上下文学习（ICL）机制，即模型如何仅凭少量示范样例、在不更新参数的情况下执行新任务。核心贡献是借助核方法构建单个 softmax attention 层的对偶模型，从表示学习视角解释 ICL 推理，并分析示范 token 数量与泛化误差的关系。 机制方面，作者报告，attention 层的 ICL 推理过程可对应于对偶模型的训练过程，所生成的 token 表示预测与对偶模型的测试输出等价。作者进一步分析该对偶模型的训练过程，推导与示范 token 数量有关的泛化误差界，并将理论结论扩展至单个 Transformer 层及多个 attention 层。摘要未提供等价关系成立的假设、误差界的具体形式或适用分布，因此不能据此推断增加示范必然改善任意任务表现。 方法探索方面，作者受表示学习方法、尤其是对比学习启发，提出对 attention 层的潜在修改，并报告设计了实验支持研究结论。具体修改方式、训练目标、任务与数据集、对照基线、结果指标、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该分析可能为 EEG 上下文示范如何影响表示提供理论切入点，但语言 token 的结论不能直接迁移为 BCI 效果。迁移假设依赖于 EEG 能否形成适合该理论的 token 表示与任务示范结构；可考虑复用 attention 与对偶模型分析框架，而 EEG 分段、通道表示及示范组织方式需要改造。低信噪比、跨被试差异、通道不一致与小样本可能使理论假设失效。待核对全文条件后，可在固定 EEG 编码器和被试内数据划分下，仅改变上下文示范数量、保持模型参数不变，检验任务误差是否符合理论预期。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读的是作者通过核方法将 softmax attention 的 ICL 推理与对偶模型训练联系起来，并给出涉及示范 token 数量的泛化误差界；其假设条件及实验支持程度尚待全文核对。

  4. OpenReview · Representation learning76

    强化学习中的离线多任务表征学习

    基于摘要分析。本文研究如何从多个具有共同表征的任务的离线数据中学习共享表征，并提出用于离线多任务表征学习的算法 MORL。其贡献是在低秩强化学习（RL）框架下开展理论分析，并考察所学表征对新任务的作用。 核心设定是上游多个任务与下游新任务共享同一表征。作者进一步分析 reward-free、offline 和 online 三类下游 RL 场景。作者报告，理论结果表明，利用上游离线任务学得的表征，相比直接学习低秩模型的表征具有收益；摘要未给出具体收益界、适用条件或量化结果，因此不能将其解读为已验证的实际性能提升。MORL 的优化目标、算法步骤、离线数据覆盖要求及共享表征的具体形式尚未验证，实验协议、消融及统计信息亦尚未验证。 平台推测（待验证）：若某类 BCI 闭环控制问题可以表述为多个共享潜在动力学表征的 RL 任务，该框架或可为离线交互数据的跨任务复用提供理论参照。这里可借鉴的是共享表征学习与下游任务适配的分工，而非将低秩 RL 结论直接套用于 EEG 分类。应用于 EEG/BCI 时，观测编码、任务定义及状态—动作—奖励接口均需适配；低信噪比、跨被试差异、通道变化、小样本和离线数据覆盖不足，都可能使共享表征假设失效。现阶段应先核对理论假设是否匹配目标任务，再评估迁移可行性；相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其离线多任务低秩 RL 的共享表征学习框架及下游理论分析，但收益所依赖的任务共享假设与数据条件仍需全文核对，尚不能据此推断 EEG/BCI 效果。

  5. OpenReview · Representation learning76

    用于增强强化学习泛化能力的 State Chrono Representation

    基于摘要分析。该研究关注图像输入强化学习中的状态表征泛化问题，提出 State Chrono Representation（SCR），通过在 bisimulation metric 学习的更新步骤中引入更长期的时间信息，增强表征对未来行为的刻画。 核心机制：现有深度 bisimulation metric 方法利用任务相关特征定义状态距离，并从像素观测学习结构化低维表征。作者认为，这类方法在高难度泛化任务和奖励信息不足的场景中，可能因长期信息刻画不足而受限。SCR 在时间框架下联合考虑未来动态，以及当前和长期未来状态的累积奖励，以扩展状态距离学习。作者称，该策略无需为动态建模引入大量额外参数；具体距离定义、损失形式、时间跨度与训练流程尚未验证。 结果与复现：作者报告，在 DeepMind Control 和 Meta-World 环境中的高难度泛化任务上，SCR 优于其他近期基于度量的方法。摘要未提供具体任务划分、基线名称、指标数值或参数开销，因此无法量化收益或比较不同协议。摘要提供了 SCR 代码仓库，但代码内容、运行条件、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，长期时间结构可能帮助 EEG 表征区分短时观测相似、后续演化不同的状态。原方法依赖带有状态转移及奖励信息的强化学习轨迹，而常见 EEG 任务未必具有对应奖励监督；可考虑复用时间化状态距离的思路，但需改造奖励定义、时间窗口与任务相关监督。低信噪比、跨被试差异、通道变化和小数据可能使距离学习捕获伪相关，长期信息也未必与目标任务有关。一个可证伪的小实验是在固定 EEG 任务与相同被试划分下，对比短时度量表征和加入长期时间信息的表征，保持编码器与训练预算一致，检查跨被试收益是否稳定。该实验仅为迁移建议；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 SCR 如何将长期动态与累积奖励纳入 bisimulation metric 更新，以及其泛化收益是否依赖奖励信息和轨迹结构；向 EEG 表征学习迁移的价值尚未验证。

6月21日周五
  1. OpenReview · Representation learning72

    迈向高效的大规模语言-3D 表征学习

    基于摘要分析。该研究探索如何高效学习大规模 3D 对象与语言之间的跨模态表征，提出 MaskCL3D，结合 3D 点云、语言描述和多视角图像上的对比学习与掩码重建，并构建覆盖多类对象及描述的语言-3D 数据集。 机制上，对比学习用于跨模态表征学习，掩码重建提供补充学习信号；但摘要未说明具体对齐对象、掩码施加位置、重建目标、损失组合及推理流程，不能据此确定效率提升来自何种设计。其贡献同时涉及训练方法和数据资源，阅读全文时需核对两者的独立作用，以及训练与测试效率的衡量方式。 作者报告，在其评估的零样本分类和检索任务中，使用新数据集训练的模型优于使用其他数据集训练的模型，MaskCL3D 与新数据集的组合相较现有基线达到最先进性能；作者还报告，表征分析显示语言和 3D 表征包含丰富语义信息。摘要未提供数据集名称、规模、划分、基线、具体指标或数值，因此这些结论目前只能保留为作者的定性报告，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 与文本描述或刺激图像存在可靠配对，可假设跨模态对比学习与掩码重建的组合有助于学习语义相关表征，但 3D 对象上的结果不等于 EEG/BCI 效果。可复用的是学习目标的组合思路，需改造点云编码与重建模块以适应 EEG 时序和通道结构；低信噪比、跨被试差异及小规模配对数据可能导致模型学习刺激或被试特征，而非目标语义。一个可检验的小实验是在固定跨被试划分和相同数据预算下，比较仅对比学习与加入 EEG 掩码重建的模型，检查跨模态检索表现是否稳定改善。相关 EEG 工作尚未检索确认；代码、数据可用性及完整复现条件也尚未验证。

    阅读价值：值得核对 MaskCL3D 如何联合对比学习与掩码重建，以及方法改进和新数据集分别对零样本分类、检索及计算效率的贡献；摘要尚不足以分离这些因素。

6月18日周二
  1. OpenReview · State space models75

    ProtMamba：一种感知同源性但无需序列比对的蛋白质状态空间模型

    基于摘要分析。ProtMamba 针对蛋白质设计中如何利用同源序列的进化信息、同时避免依赖不完善的多序列比对构建流程这一问题，提出基于 Mamba 的蛋白质语言模型。其核心贡献是将拼接的同源序列作为长上下文输入，在不进行序列比对的情况下建模同源信息。 机制与训练：模型在大规模拼接同源序列数据上训练，通过 fill-in-the-middle 目标结合自回归与掩码语言建模。作者报告，相比基于注意力的模型，ProtMamba 能高效处理包含数百条蛋白质序列的长上下文。摘要未给出数据集名称、具体规模、模型参数量、目标实现及计算效率测量条件，这些信息尚未验证。 结果与证据边界：作者报告模型可用于新序列生成和适应度预测，并在模型规模较小的情况下取得与其他蛋白质语言模型有竞争力的表现，认为这体现了长上下文条件信息的重要性。具体指标、对照模型、数据划分、同源关系控制、消融及统计信息尚未验证，因此不能据此判断性能提升幅度或将效果单独归因于 Mamba、同源上下文或训练目标。 平台推测（待验证）：其长上下文条件建模机制可能为 EEG 中利用多段相关记录提供思路，但蛋白质同源序列的进化关系并不等同于跨被试或跨会话的 EEG 关联。迁移假设依赖可靠的记录分组与上下文构造，需要改造连续信号表示、通道编码和训练目标；低信噪比、通道差异及小数据可能使长上下文引入无关信息。一个可检验的小实验是在固定 EEG 任务与数据划分下，比较相关记录上下文、随机记录上下文和无上下文条件，检验收益是否来自上下文相关性。该实验仅为迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的具体原因是 ProtMamba 以无需多序列比对的同源序列长上下文建模探索进化信息利用，并结合 fill-in-the-middle 训练目标；其性能与规模优势仍需结合全文中的评估协议和对照核验。

1月16日周二
  1. OpenReview · Representation learning81

    面向强化学习的原则性视频表征学习

    基于摘要分析。该研究探讨如何利用视频预训练面向决策的表征，核心目标是恢复底层 MDP 的潜在状态，并从理论上刻画不同噪声条件下的学习难度。研究比较 autoencoding、temporal contrastive learning 与 forward modeling，区分观测中的 iid 噪声，以及具有时间相关性的外生噪声，例如背景中人员或车辆的运动。 理论方面，作者报告：在仅有 iid 噪声的设定下，为 temporal contrastive learning 和 forward modeling 建立了上界，表明这些方法能够学习潜在状态，并支持具有多项式样本复杂度的下游 RL。在同时存在外生噪声的设定下，作者建立下界，说明从视频学习的样本复杂度可能比从带动作标签的轨迹学习呈指数级恶化。该结论针对摘要所述设定，不宜扩展为所有视频预训练方法均无效；定理所需的可辨识性条件、数据生成假设及复杂度依赖项尚未验证。 实验方面，作者报告在两个视觉领域评估了这些表征学习方法，结果与理论发现一致。摘要未提供领域名称、数据规模、划分、对照细节或具体指标；autoencoding 的具体理论结论，以及实验协议、消融及统计信息尚未验证。摘要也未说明实现与复现资源。 平台推测（待验证）：若将视频中的潜在状态与外生干扰结构对应到 EEG，本文可为区分任务相关动态与时间相关干扰提供分析视角，但前提是潜在状态及决策结构的假设适用。可借鉴的是噪声分类与表征目标的比较框架；观测建模和决策接口需针对 EEG 改造。低信噪比、跨被试差异、通道变化及小数据都可能破坏状态可辨识性，不能由视觉领域结论推出 BCI 效果。一个可检验的小实验是在可控潜在状态的多通道模拟信号中，分别加入 iid 与时间相关干扰，比较上述表征方法的状态恢复能力，并在明确记录动作的决策设定中加入带动作标签的轨迹对照。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其对 iid 噪声与时间相关外生噪声的理论区分，以理解视频预训练何时支持高效下游 RL、何时相较带动作标签的轨迹面临样本复杂度障碍；具体定理条件尚待全文核对。

  2. OpenReview · Representation learning74

    基于细粒度交互的蛋白质–配体结合表征学习

    基于摘要分析。该研究针对蛋白质–配体结合预测中监督数据有限、模型泛化受限的问题，提出以细粒度交互为核心的自监督表征学习方法。不同于分别预训练蛋白质和配体的思路，作者将预训练表述为：给定结合口袋与配体，预测最终结合复合物结构。 机制上，方法采用基于 Transformer 的交互模块，并设置原子对距离图预测与配体掩码重建两项预训练任务，分别从结构空间和特征空间建模结合交互。摘要未说明距离图的具体覆盖范围、掩码策略、损失形式及任务组合方式，这些实现细节尚未验证。 作者报告，该方法在蛋白质–配体亲和力预测、虚拟筛选和蛋白质–配体对接等任务中表现优于对照方法，但摘要未提供数据集、数据划分、基线名称、指标或数值，因而无法判断优势幅度及泛化边界。实验协议、消融及统计信息尚未验证；复现还需核对预训练数据来源、复合物结构处理、下游训练设置，以及代码和模型权重的可用性。 平台推测（待验证）：可借鉴的是“显式关系预测与掩码重建联合预训练”的机制，而非直接移植分子结合模型。其原始任务依赖结合口袋、配体及原子级结构关系；EEG 中可假设用通道间关系预测辅助掩码信号重建，以应对标注有限时的表征学习问题。可复用交互建模和双任务框架，但需改造输入编码与关系目标，不能将原子距离直接等同于 EEG 功能连接。低信噪比、参考方式、跨被试差异和通道配置变化均可能使关系目标不稳定，小数据下也可能学到伪迹。一个可证伪的小实验是：在固定 Cross-subject 划分和相同预训练数据条件下，对比仅掩码重建与加入关系预测的模型，检验下游性能及通道扰动稳定性是否改善。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其以原子对距离预测和配体掩码重建联合学习细粒度交互的自监督机制，但摘要中的多任务优势仍需结合完整实验协议核对，向 EEG 的迁移尚未验证。

  3. OpenReview · Representation learning76

    基于随机数据投影器的自监督表征学习

    基于摘要分析。该研究针对自监督表征学习（SSRL）对人工设计的数据增强及变换不变性假设的依赖，提出通过重构随机数据投影来学习表征的方法，不依赖数据增强或掩码。作者认为，这一路径可减少不同模态及应用特定增强约束带来的适配困难。 核心机制是以随机数据投影的重构作为学习任务，而非借助增强视图或掩码建模获得监督信号。摘要未说明投影的构造与分布、重构目标的具体定义、损失形式，以及编码器和重构模块的配置，因此尚不能判断哪些随机投影能够保留任务相关信息，也不能将其等同于某种已知的对比学习或降维方法。 作者报告，在覆盖多种模态与实际应用的表征学习任务中，该方法优于多个先进 SSRL 基线；但摘要未提供任务名称、数据集、数据划分、指标或具体数值。“适用于任意数据模态和网络架构”是作者提出的广泛适用性主张，其实际边界仍需结合全文核对。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若随机投影重构能保留 EEG 中的任务相关时空结构，它可能为难以设计可靠增强的小数据表征学习提供替代路径。可考虑复用重构学习思路，但需适配多通道时序输入、通道布局和尺度归一化。低信噪比可能使重构任务偏向噪声或伪迹，跨被试差异与通道变化也可能削弱表征稳定性。一个可检验的小实验是在固定 Cross-subject 划分、仅用训练被试进行自监督训练的前提下，以相同编码器和下游评估流程比较随机投影重构与增强式 SSRL，并检查投影设置变化对结果的影响。以上属于迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对随机数据投影重构如何在不依赖数据增强或掩码的条件下学习表征，以及其跨模态优势的评估边界；对 EEG 的适用性尚未验证。

9月22日周五
  1. OpenReview · EEG71

    通过几何感知建模学习拓扑无关的 EEG 表征

    基于摘要分析。该研究针对不同 EEG 数据资源的通道选择不一致，以及信号固有的结构与空间信息难以统一利用的问题，提出将不同通道选择映射到统一拓扑，并在此基础上构建 MMM 预训练框架，以学习拓扑无关的 EEG 表征、支持跨数据集预训练。 MMM 包含 Multi-dimensional position encoding（多维位置编码）、Multi-level channel hierarchy（多级通道层级）和 Multi-stage pre-training strategy（多阶段预训练策略）。摘要明确的机制路径是先统一通道拓扑，再通过上述三个组件组织空间信息、通道层级及预训练过程；但统一拓扑的具体定义、通道映射方式、位置编码构造、层级组织及各训练阶段的目标尚未验证，不能据此推断网络结构或损失形式。 作者报告，该方法在情绪识别基准数据集上相较此前最先进方法取得明显提升。摘要未提供数据集名称、指标、数值、对照方法或数据划分，因此不能量化提升，也不能判断结果属于 Within-subject、Cross-subject 或 Cross-dataset 评估。支持跨数据集预训练是研究目标，不等同于已经验证跨数据集下游泛化；实验协议、消融及统计信息尚未验证。 复现时应优先核对统一拓扑如何处理通道缺失与不同电极配置、预训练数据如何组合，以及三个组件各自的贡献。尤其需要确认情绪识别评估中的被试与数据集划分、预训练和下游数据的关系，以及比较方法是否采用相同协议。这些均是需全文核对的事项，而非已发现的研究缺陷。

    阅读价值：值得阅读的具体原因是其以统一通道拓扑连接不同 EEG 资源，并结合位置编码、通道层级与分阶段预训练；这些设计为跨数据集预训练提供了可核对的机制路径，但性能增益及跨通道配置泛化仍需全文验证。

  2. OpenReview · Representation learning76

    未配对多域因果表征学习

    基于摘要分析。该研究关注多个域可能共享潜在因果表征、但域间观测未配对时，能否仅从各域的边缘分布恢复联合分布与共享因果结构。作者在线性设定下给出可识别性的充分条件，并将理论结果转化为恢复共享潜在因果图的实用方法。 核心问题在于：各域数据不提供跨域观测的对应关系，因此不能直接获得域间联合分布。作者报告，在所给充分条件成立时，可以由各域边缘分布唯一恢复联合分布与共享因果表征。这里的贡献是有条件的可识别性结果，不意味着任意未配对多域数据都能恢复因果关系。具体线性模型、充分条件、求解算法及其对监督信息和样本规模的依赖，摘要未展开，尚未验证。 平台推测（待验证）：若不同被试或会话的 EEG 确实具有可共享的潜在因果结构，该问题设定可能为缺少跨域样本配对的表征学习提供理论参考。可复用的是从多域边缘分布约束共享结构的思路；用于 EEG 时，需核对并可能改造观测模型及域间差异建模。低信噪比、通道变化、被试特异性、非线性混合和小样本可能使其识别条件不成立，原领域理论结果不能直接视为 BCI 有效性证据。一个可证伪的小实验是，在已知潜在因果图的模拟多域数据中取消样本配对，比较满足与违反论文充分条件时的图恢复表现，再逐步加入噪声与域特异扰动；实施前需取得全文以明确条件及算法。已有 EEG 相关工作尚未检索确认。 摘要未提供具体实验数据、对照方法或量化结果；实验协议、消融及统计信息尚未验证。复现需要进一步核对理论假设、算法实现及评估设置。

    阅读价值：值得阅读其在线性设定下从未配对多域边缘分布识别联合分布与共享潜在因果图的充分条件，以判断方法对跨域数据结构的要求及其适用边界。

  3. OpenReview · Representation learning77

    For SALE：面向深度强化学习的状态—动作表征学习

    基于摘要分析。该研究针对强化学习中低层状态表征学习受到较少关注的问题，提出 SALE，通过学习刻画状态与动作交互的嵌入，改善物理控制等任务中的表征。作者将 SALE 与面向 RL 改造的检查点机制集成到 TD3，形成 TD7，并报告其适用于在线和离线设置。 核心机制与创新：不同于摘要所述的图像任务表征学习背景，SALE 面向低层状态，重点是状态与动作之间的交互，而非仅学习状态表示。作者称系统研究了嵌入的设计空间及重要设计因素；但摘要未给出网络结构、监督目标、损失形式、检查点选择规则，也无法据此拆分 SALE 与检查点机制各自的贡献。 结果与证据边界：作者报告，在 OpenAI gym 基准任务上，TD7 相对 TD3 在 300k 和 5M 时间步时的平均性能增益分别为 276.7% 和 50.7%。这些数值是相对性能增益，并非 Accuracy 或百分点变化；具体任务集合、性能汇总与归一化方式、随机种子、统计不确定性，以及这些结果对应的在线或离线协议尚未验证。摘要也未提供离线数据来源及其单独结果。 平台推测（待验证）：若 BCI 问题具有明确的状态、动作及反馈轨迹，SALE 的状态—动作交互表示可能用于研究闭环控制策略；这一假设不直接适用于只有 EEG 与分类标签的静态解码数据。可考虑复用交互嵌入思路，但需改造 EEG 状态编码、动作定义与反馈机制。低信噪比、跨被试或跨会话非平稳性，以及小规模交互数据可能使表示学习失效。一个可检验的小实验是在固定 EEG 状态编码、交互预算和评估协议下，对比 TD3、仅加入 SALE 的变体与完整 TD7，并分别观察闭环回报和稳定性；这只是迁移验证建议，不是本文已验证结果。已有 EEG 相关工作尚未检索确认，完整复现条件、消融及统计信息需进一步核对正文。

    阅读价值：值得阅读以核对 SALE 如何建模低层状态与动作的交互，以及其与 RL 检查点机制共同构成 TD7 后的收益来源，但具体设计、消融和评估协议尚未验证。