跳到正文
只看一手#NLP
10月5日周一
  1. arXiv · 在线与高效推理73

    JIVEAdapter：基于联合与个体变异解释（JIVE）的多任务加性低秩适配器

    基于摘要分析。JIVEAdapter 针对低秩适配器通常面向单任务、缺乏显式共享与任务特异结构的问题，将权重更新分解为跨任务共享的 Joint 结构与每个任务独有的 Individual 结构，旨在支持多任务参数高效微调和新任务复用。 核心机制是对每个权重更新进行加性分解，并通过惩罚使 Individual 与 Joint 近似正交，以分离共享信号和任务特异信号；秩在共享 Joint 池与各任务 Individual 池之间自适应分配。Joint 可在任务组上联合学习，也可逐任务增量学习，随后冻结，作为新任务的先验复用而不重新训练共享部分。摘要未提供具体损失形式、秩分配算法或正交性的量化验证，结构分离是否带来可靠可解释性仍需正文证据。 作者报告，在使用 DeBERTaV3-base 的 GLUE 与 SuperGLUE 评估中，JIVEAdapter 在每任务有效秩匹配的条件下，与较强的单任务及多任务低秩基线具有竞争力，且不依赖 MoE 等额外模块。对于留出任务，若已有相关的训练内任务，可复用冻结 Joint 及该相关任务的 Individual，仅调整低成本的逐方向缩放；否则训练一个小型新 Individual。具体任务划分、基线名称、指标数值、训练与推理成本、消融及统计信息尚未验证。 平台推测（待验证）：共享与个体结构分解可作为 EEG 基础模型跨任务适配的候选机制，假设不同 EEG 任务确有可共享的表示更新，并有足够数据区分共享与特异成分。可复用适配器分解与冻结策略，但需处理通道布局、输入表示和任务输出差异；低信噪比、被试差异及小数据可能使 Joint 学到噪声或使近似正交约束排斥有用的重叠信号。一个可检验的小实验是在固定 EEG 预训练骨干与数据划分下，以匹配每任务有效秩比较 JIVEAdapter 和单任务低秩基线，再在留出任务上检验冻结 Joint 的收益及负迁移。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其共享与任务特异更新的分解、秩分配和冻结复用机制，尤其是有效秩匹配条件下的多任务对照及留出任务适配成本；摘要尚不足以验证性能与可解释性主张。

  2. arXiv · 学习目标与优化76

    具有稳定时间抽象的语言模型智能体分层强化学习

    基于摘要分析。本文研究语言模型智能体在分层强化学习中的时间抽象不稳定问题：即使规划与执行已显式分离，边界策略仍可能几乎每轮更换子目标，或在子目标不再适用时继续保留它。作者提出 Stable Temporal Abstraction via Constrained Optimization（STAC），通过约束边界策略优化来平衡过早重规划与过时子目标的持续执行。 核心机制是将上述两类行为表示为约束成本，并仅将对应的拉格朗日成本施加于采样到的边界决策。摘要明确说明，底层算法的奖励、critic 目标、子目标优势和原子动作优势保持不变。因此，其方法重点不是重构整个分层学习目标，而是针对决定子目标何时切换的策略进行局部约束；成本的具体定义、约束阈值及优化流程尚未验证。 作者报告，在两个模型骨干、两个基准上，相较于文中所称的强分层基线，采用 Qwen3-0.6B 时，ALFWorld 与 WebShop 的成功率分别提升 8.1 和 7.9 个百分点；采用 Llama-3.2-1B-Instruct 时，分别提升 23.5 和 15.8 个百分点。摘要未提供基线名称、绝对成功率、训练与评估划分、重复运行次数或统计不确定性，不能据此判断跨模型收益差异的原因。 复现时需核对边界决策与子目标适用性的判定方式、约束成本是否依赖额外监督，以及保持其余学习信号不变的实现细节。实验协议、消融及统计信息尚未验证。本文证据限于语言智能体交互任务，尚不构成 EEG 或 BCI 有效性的证据；相关 EEG 工作尚未检索确认。

    阅读价值：值得核对 STAC 如何将过早重规划与过时子目标持续执行转化为边界决策约束，并在不改变底层奖励及优势估计的条件下改善长时程任务成功率；约束定义与收益稳定性尚需全文验证。

  3. arXiv · 学习目标与优化63

    生物医学领域神经机器翻译的模型压缩研究

    基于摘要分析。研究针对专业术语密集、平行语料有限的法语到英语生物医学翻译，联合考察知识蒸馏与量化，并比较多种微调策略，以提升压缩学生模型的领域适应能力与部署效率。 知识蒸馏通过大教师模型向较小学生模型传递知识，但领域平行数据稀缺可能限制迁移效果；量化通过降低权重与激活的数值精度降低计算开销，但精度下降可能损害翻译质量。摘要以32-bit到8-bit说明量化概念，不能据此确认本研究实际采用的位宽。研究的主要关注点是两种压缩技术与领域微调的组合，而非单独评估模型规模缩减。 作者报告，在法语到英语生物医学翻译实验中，相对于原始基线，联合蒸馏与量化的学生模型大小减少69%，推理速度提高98.21%，CO2排放减少98.46%，且未牺牲翻译质量。摘要未说明基线模型身份、数据集、训练与测试划分、翻译质量指标、硬件、推理负载及排放核算方式，因此这些结果仅能作为该实验条件下的作者报告，尚不能确认其可复现性或泛化范围。蒸馏目标、量化配置、微调策略差异、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若EEG任务已有可靠教师模型，可假设蒸馏与量化有助于压缩部署端解码器；但本研究依赖文本平行语料与翻译监督，不能直接证明BCI收益。可复用的是教师—学生压缩流程，需改造输入表示、任务目标和校准数据。EEG低信噪比、跨被试及通道差异、小样本条件可能使教师误差传递或量化损失加剧。一个可检验的小实验是在固定Cross-subject划分与相同部署硬件下，对比原模型、仅蒸馏、仅量化和联合压缩，测量同一任务指标、模型大小、延迟及能耗。已有EEG相关工作尚未检索确认。

10月4日周日
  1. arXiv · 学习目标与优化78

    FORGE：生成式语言模型的验证门控行为修复

    基于摘要分析。FORGE 面向生成式 LLM 在预训练中继承、部署后才在部分输入上显现的人口统计偏见与有毒生成行为，提出将缺陷定位、权重编辑和行为验证分离的定向修复框架，目标是在纠正已识别缺陷的同时保留模型整体功能。 核心机制是一个修复抽象：将定位到的缺陷生成转换为显式优化目标，使面向验证的修复技术能够用于自回归生成。FORGE 不绑定特定编辑机制，作者在同一定位与验证协议下实现了两种后端：基于约束的二次优化方法，提供逐样本修复证书；以及零空间投影编辑器，旨在减少对原模型分布的干扰。证书的具体性质、成立假设及其对未见输入的适用范围尚未验证，不能将其理解为整体生成安全性保证。 作者报告，在五个开源 LLM 上，FORGE 相比基于梯度的微调实现了更大的偏见与毒性降低，同时困惑度仅有轻微退化；摘要未给出模型名称、评估数据、划分、指标数值或微调配置。作者报告，两种后端在不同架构上表现互补，轻量因果探针将这种差异追溯到毒性相关信号的集中位置；仅使用少量缺陷样例时，FORGE 仍然有效，而常规微调常出现振荡或无法收敛。 复现时需核对缺陷定位方式、优化目标与约束的定义、零空间的构造、验证门控及失败处理规则，并区分已修复样例、未见缺陷输入和一般能力保留的评估结果。实验协议、消融及统计信息尚未验证。该摘要讨论的是语言模型行为修复，尚不足以建立向 EEG/BCI 迁移的明确机制路径；相关 EEG 工作尚未检索确认。

    阅读价值：值得核对 FORGE 如何把生成行为缺陷转化为可验证的优化目标，以及逐样本修复证书的适用边界；摘要所述少样本修复与功能保留效果仍需结合全文实验协议验证。

  2. arXiv · 表征与预训练75

    将聚类有效性指标用作文本表征学习的自监督目标

    基于摘要分析。本文研究如何在不依赖额外负样本、数据增强或辅助图数据的条件下，对预训练语言编码器进行自监督微调，提出 SilK（Silhouette-guided K-means），将内部聚类质量指标用作训练目标，以降低表征学习的计算与显存开销。 核心机制是先对语料进行聚类，再将简化的 silhouette（轮廓系数）回归至目标值。每篇文档仅与 k 个聚类中心比较，不与其他文档直接比较，因此每篇文档只需一个视图，无需负样本对或数据增强。其与摘要所述对比学习及无负样本方法的区别，在于以聚类中心和内部聚类质量度量提供监督信号，而非依赖批内负例或辅助图／网络。目标值、简化轮廓系数的定义、聚类更新方式及具体损失尚未验证。 作者报告：在 BERT-base 上，SilK 的每轮训练速度为所评估最快基线的 1.46 倍，峰值 GPU 显存占用比所评估显存占用最低的基线减少 45.4%；在冻结编码器的线性探测协议下，三个下游任务的表现与最佳基线具有竞争力。摘要未提供任务名称、数据集、划分、基线名称或具体性能指标，不能据此认定其精度更高，也不能直接外推到其他模型规模。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其机制可能用于 EEG 编码器的自监督微调，尝试减少多视图构造与批内负例的需求。可复用的是聚类中心比较和聚类质量目标；需改造的是 EEG 输入表征、距离度量及聚类更新策略。该假设依赖嵌入空间存在有意义的簇结构：低信噪比、跨被试差异和通道配置变化可能使聚类主要反映伪迹或被试身份，小数据也可能导致聚类中心不稳定。可先在固定 EEG 数据划分和同一预训练编码器上，对比原编码器、SilK 式微调及现有自监督基线，评估跨被试冻结编码器线性探测性能、训练时间与峰值显存，并检查聚类是否主要由被试身份驱动。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 SilK 如何将聚类有效性指标转化为自监督目标，以及其效率收益是否能在保持冻结编码器线性探测性能的同时复现；摘要提供了明确机制，但具体协议与统计信息尚未验证。

  3. arXiv · 表征与预训练79

    知识图谱表征学习中的不确定性

    基于摘要分析。该学位论文研究知识图谱嵌入（KGE）在输入知识、随机训练与预测输出三个环节的不确定性，提出互补、模型无关的处理方法，目标是从预测准确性推进到具有可靠性保证的知识图谱推理。 在算法不确定性方面，作者报告，相同设置下训练的模型仍可能产生明显不同的预测，并提出基于投票的聚合框架以缓解不稳定性。摘要未提供重复训练次数、聚合规则、对照方法或改善幅度，不能据此判断稳定性收益及计算代价。 在预测不确定性方面，论文将 conformal prediction 适配到 KGE，通过构造答案集合提供分布无关的覆盖保证，并进一步扩展至谓词条件可靠性保证。阅读重点是校准数据如何组织、覆盖保证依赖哪些假设，以及集合大小与覆盖水平之间的权衡；“分布无关”不应解读为任意分布变化下均有效。 在知识不确定性方面，论文为带置信度分数的三元组构建统计有效的预测区间，并提出基于嵌入的方法，近似执行统计本体上的概率推理，作者称其具有形式化健全性保证。区间的目标量、置信度语义、近似推理范围及保证条件尚未验证。摘要未给出数据集、量化结果或实现信息，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其与 EEG/BCI 的潜在联系是输出可靠性评估，而非直接复用知识图谱推理。假设 conformal prediction 的校准机制可适配 EEG 分类，可保留答案集合构造思路，但需将实体—谓词评分改为 EEG 类别评分，并重新验证适用条件。低信噪比、小规模校准集及跨被试、跨会话分布变化可能使集合过大或覆盖不足。一个可检验的小实验是在固定 EEG 解码器上划分互不重叠的训练、校准和测试数据，分别考察被试内与跨被试条件下的覆盖率和集合大小；该实验不构成本文已验证结果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其如何将训练随机性、预测覆盖与概率知识推理分开处理，尤其是 conformal prediction 的谓词条件可靠性保证；保证成立的具体假设与实验协议尚待全文核对。

  4. arXiv · 泛化与分布偏移79

    动态路由：LLM 测试时多任务适应能力的新维度

    基于摘要分析。本文研究能否通过动态选择 LLM 的层执行路径，在 CoT 使用的 token 数量之外，增加一个无需梯度更新的测试时自适应维度。核心贡献是探索从少量示例中快速选择路由程序的策略，并分析其与 CoT 的互补性及失败机制。 动态路由程序可只执行模型的部分层，或重复执行某些层。作者依据候选程序赋予示例标签的概率选择程序，并由模型自身置信度进行仲裁；使用的示例数量为 3 或 10。该过程不需要训练，但依赖带标签示例，不能等同于无监督适应。作者研究选择策略能否跨模型、跨任务使用，而非仅在路由程序训练时相似的问题上有效。 作者报告：在 MMLU 的 49 个任务上，路由带来平均收益，七个模型中的四个收益较明显；在远分布外任务 ARC-AGI 上，一个 7B 模型的准确率经路由后翻倍，而其 CoT 未能奏效。摘要未提供该比较的绝对准确率、具体划分及计算预算，不能据此推断普遍的效率优势。在七个后训练模型的 MMLU 评估中，作者报告路由与 CoT 成功解决的查询不同，两者组合优于单独 CoT。 作者分析认为，置信度选择仍未充分利用路由潜力：预训练早期已存在的潜力在后训练后更难被选出；失败路由还可能使残差流偏离后续层所预期的分布。候选程序构造、搜索成本、置信度校准、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 预训练编码器允许跳过或重复执行层，这一机制可能用于少量标注条件下的跨被试或跨会话适应。可复用的是候选路由选择思路，需改造 EEG 任务输出及置信度估计；低信噪比、通道差异和小样本可能导致选路不稳定及内部表征偏移。一个可证伪的小实验是在冻结的 EEG 编码器上，以相同少量标注支持集比较固定路由与动态路由，并在独立测试集核对性能和计算成本。此迁移仅是假设，相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其利用少量带标签示例、无需梯度更新的动态路由选择机制，以及路由与 CoT 的互补性和残差流分布偏移分析；作者报告的收益仍需结合全文核对具体协议。

10月3日周六
  1. arXiv · 泛化与分布偏移81

    SIFT：分布偏移下思维链推理的稳健元忠实性验证

    基于摘要分析。本研究关注 Chain-of-Thought（CoT）忠实性检测器在分布偏移下能否保持一致判定，将“元忠实性”定义为：对保持真实忠实性不变的推理轨迹变换，检测器应返回相同结论。作者提出压力测试协议 FaithShift，以及结合跨环境不变性训练目标和带认证保证的弃权机制的隐藏状态轨迹检测器 SIFT。 理论方面，作者提出三项结果：仅使用干预—响应特征的检测器，无法区分具有相同特征表现的忠实机制与附带现象机制；依赖偏移敏感特征的检测器，其不变性违反率不受分布内准确率保证；渐近的认证选择性风险保证可支持有把握的弃权。这些结论的假设、证明条件及有限样本适用性尚未验证。 作者报告，在涵盖十类偏移轴、14,996 条轨迹、四个领域和八个模型的评估中，所考察的既有检测器均出现至少 0.15 的 AUROC 差距，具体迁移划分与参照条件需查正文。作者报告，超过 80% 的检测不稳定性来自随机种子变化，而非分布偏移，未支持其预注册的“偏移归因违反率超过 0.25”预测。 作者报告，相对最佳单随机种子基线，SIFT 将不变性违反减少 64%；但采用四随机种子集成后，任一检测器与 SIFT 的差距缩至 0.01，在匹配覆盖率时未显示统计显著差异（p=0.21），且 SIFT 需要 51% 的弃权率。因此，应同时核对稳定性、覆盖率与选择性风险，不能仅凭违反率下降判断整体优势。作者还报告，跨模型迁移表现从同模型家族、跨家族到开放权重模型迁移至 API 模型逐步下降，多模型训练可部分缓解。 研究价值主要在于审计方法及其反直觉对照，而非已验证的 EEG/BCI 增益。隐藏状态可获取性、忠实性真值与保持真值的变换如何构造、随机种子的作用环节，以及实验协议、消融及统计信息尚未验证；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 CoT 忠实性检测器自身的稳定性纳入审计，并报告随机种子集成显著缩小 SIFT 的优势，为区分分布偏移、检测方差与弃权成本提供了可核对的对照。

  2. arXiv · 在线与高效推理80

    学习决策而非推理：通过低秩激活引导实现参数高效的决策算子

    基于摘要分析。研究面向冻结语言模型的技能注入，提出以行为克隆训练的 System-1 决策算子 DecSteer，尝试用低秩激活引导替代高成本的强化学习技能算子，并减少决策时的长文本推演。 核心机制是共享低秩骨干与零初始化的输出投影。作者指出，既有算子的初始化会使两个大型因子矩阵在首次优化时梯度为零，而 DecSteer 的输出投影能够立即接收梯度；作者报告以梯度流探针直接验证了这一差异。其解释将可训练性的改善归于初始化与架构的共同作用，而非单纯压缩 chain-of-thought。作者还报告，logit-lens 探针显示算子沿模型已有的后层路径增强答案信号，而不是将答案提前写入较早层。 作者报告，默认算子以 330K 参数达到或超过一个使用强化学习训练、含 1.33M 参数的对照算子，并在所述比较中将 3,685-token 推演缩短为 6-token 决策且不损失准确性。rank-4 变体含 23K 参数，为其所比较的最强已发表技能算子参数量的 1/58；该变体在 SearchQA 上已足够，在 LiveMath 上接近足够，但更高秩仍有帮助。上述比较的具体数据划分、指标定义与任务级结果尚未验证，不能据此认定对任意任务均能保持准确性。 作者报告，该训练方案可用于五个任务和三个骨干模型，且在训练数月后发布的 LiveMath 问题上仍有分布外收益；收益与基础模型的提升空间相关，技能算子还可近似线性地相加、插值，并在推理时热切换。技能组合的有效范围与干扰程度仍需核对全文。 复现应重点核对行为克隆的示范来源、低秩算子的插入位置、初始化细节、训练与推理成本，以及强化学习对照的评估条件。实验协议、消融及统计信息尚未验证。材料未提供 EEG/BCI 实验，不能将语言模型中的收益视为脑信号任务中的已验证效果；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对的是低秩算子的初始化如何改善梯度流，以及行为克隆能否在相同任务协议下替代强化学习训练并缩短决策输出；摘要中的效率与准确性结论仍需全文验证。

  3. arXiv · 泛化与分布偏移68

    面向放射学报告生成的同质语义对齐与分层专家路由

    基于摘要分析。该研究针对 Radiology Report Generation（RRG）中视觉与文本表征的分布偏移，以及异质信息刚性融合可能使弱视觉异常线索被文本先验和生成惯性稀释的问题，提出两阶段 Homogeneous Semantic Alignment and Hierarchical Expert Routing（HSA-HER）框架。 第一阶段在底层潜在空间施加显式同质分布约束，旨在缩小视觉与文本特征的跨模态分布差异，并提取与疾病对齐的视觉特征作为语义锚点。第二阶段由这些锚点引导分层专家路由，针对视觉特征、局部实体与全局检索信息动态激活专家网络，进行多源证据挖掘与语义重构，并自适应分配融合权重。其核心思路是先对齐表征，再按疾病相关语义选择和融合证据，而非对所有异质信息采用统一的刚性耦合。分布约束的具体损失、专家结构、路由训练及推理流程尚未验证。 作者报告，在三个主流基准数据集上的实验取得最先进性能，并能准确描述复杂影像细节与关键诊断信息。摘要未提供数据集名称、划分协议、对照方法或指标数值，因此无法核对优势幅度及其适用条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其机制可能启发 EEG 与文本或其他辅助信息的融合，尤其是强先验掩盖低信噪比信号的情形。该假设依赖可对齐的语义监督及有用的多源证据；可借鉴潜在空间对齐与锚点引导路由，但需改造 EEG 编码器、任务语义锚点和证据来源。被试差异、通道变化、小数据下的路由不稳定，以及对齐约束抹去任务相关差异，均是潜在失败风险。可在固定 Cross-subject 划分下，小规模比较 EEG 单模态、固定融合与锚点路由，并通过扰动辅助文本检验模型是否仍依赖 EEG 证据。已有 EEG 相关工作尚未检索确认。

  4. arXiv · 多模态与生成机制78

    递归计算中应保留什么：局部预测充分性原则

    基于摘要分析。本文研究递归计算中间状态被反复压缩或复用时，如何保留后续预测所需的信息，提出局部预测充分性原则，并将其转化为约束优化器更新的训练程序。作者认为，重建或局部预测目标虽便于监督，却不保证保留的信息足以支持后续递归计算。 机制上，作者将局部预测充分性与递归预测闭包联系起来：控制各接口的局部预测不足，可控制递归根节点处的预测差异。训练方法从变分刻画出发，构造有限预测检验及经验预测不足度，用于衡量压缩后保留的预测价值；再利用预测敏感度，为参数更新建立带裕量松弛的半空间约束。仅当宿主优化器提出的更新会违反预测保留要求时，才将该更新投影到约束交集。具体检验构造、约束可行性、投影代价及理论成立条件尚未验证。 作者报告，在 temporal graphs、language memory、vision-language-action control 和 recursive self-improvement 四类设置中，在匹配压缩预算的条件下，该方法达到或改善相应宿主模型的表现；递归或记忆需求更高时收益更大，并更好地保留连续变换中的预测信息。作者强调，各设置保持终端任务、骨干与评估协议固定，并采用兼容宿主模型的干预。摘要未提供数据集、指标、具体数值或数据划分，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 模型存在递归状态压缩或长时记忆更新，该原则可能用于约束压缩过程中的任务相关信息损失。可复用的是预测检验与更新投影思路；需改造的是 EEG 接口定义、预测目标和敏感度估计，其适用性依赖可获得的监督与足够稳定的预测检验。低信噪比、小样本、跨被试差异及通道变化可能使检验偏向噪声或被试特征。一个可证伪的小实验是在固定 EEG 任务、骨干、压缩预算及数据划分下，对比原优化器与约束更新，分别核对任务指标、接口预测信息保留和计算开销。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对其如何将局部预测充分性转化为递归接口上的更新约束，以及在固定任务、骨干和评估协议下区分预测信息保留与一般优化收益；其对 EEG 的适用性尚未验证。

  5. arXiv · 学习目标与优化77

    用于 LLM 不确定性量化的释义感知评分保形预测

    基于摘要分析。该研究针对 LLM 不确定性量化对语义保持改写不稳定的问题，提出释义感知评分框架：利用 LLM 隐藏状态训练轻量代理模型，并聚合多个释义版本的预测，构造逐标签非一致性分数，以改善保形预测在改写条件下的稳定性。 核心机制是将学习得到的代理评分与释义聚合接入保形校准。作者指出，在分数满足可交换性的条件下，校准保留边际覆盖保证；若仅测试数据被改写，还需要释义生成流程满足额外的分布对齐条件。该保证不能直接解读为任意改写、任意分布偏移下均有效，具体条件及其可检验性尚需全文核对。 作者在七个多项选择 QA 基准及多个模型家族上评估三种设置：normal 不改写校准集和测试集，fully reworded 同时改写两者，semi-reworded 仅改写测试集。作者报告，方法在这些设置下生成较紧凑的预测集，经验覆盖率通常接近名义目标，包括仅测试集改写的设置；摘要未给出具体覆盖率、预测集大小或基准名称。作者报告的消融结果表明，预测集大小的主要缩减来自学习得到的代理模型，而释义增强训练和推理时聚合进一步改善改写稳定性。 复现需核对代理模型的监督来源与训练划分、释义生成流程、聚合规则、校准样本构造及额外分布对齐条件。摘要提供了代码地址，但代码内容、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可借鉴之处是通过任务含义保持的变换聚合评分，再进行保形校准；但自然语言释义不等同于 EEG 信号增强。若迁移至 EEG 分类，需要先验证增强是否保持类别语义，并改造特征代理与聚合模块；低信噪比、通道变化及跨被试差异可能破坏分数可交换性。可在固定被试内划分上，比较无增强、校准与测试均增强、仅测试增强三种条件下的经验覆盖率和预测集大小。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其对测试集单独改写时覆盖保证的分布对齐条件，以及代理模型与释义聚合对预测集大小和稳定性的不同贡献。

  6. arXiv · 多模态与生成机制78

    ALoDLM：自适应循环扩散语言模型

    基于摘要分析。该研究针对扩散语言模型（DLMs）并行生成速度快、但生成质量落后于规模相近自回归（AR）模型的问题，提出 ALoDLM，以 token 自适应潜在递归替代统一计算深度。作者将质量差距归因于计算量与预测难度不匹配：部分未知 token 容易预测，另一些则需要更多计算，而既有 DLMs 在每个去噪步骤中对未知位置采用统一深度。 在每个去噪步骤，ALoDLM 迭代细化潜在表示，并按 token 难度分配计算。已可确定的 token 作为离散上下文反馈，尚未确定的 token 则保留潜在状态，继续通过递归计算细化。为联合学习 token 预测与计算分配，作者将逐 token 的计算调度建模为潜变量，并推导条件负证据下界（NELBO）。具体难度判定、提交规则、递归终止条件及损失实现尚未验证。 作者报告，在 1.7B 与 8B 参数规模、涵盖十一项基准的评估中，ALoDLM 在两种规模下的平均基准分数均超过所有受评估 DLMs 及对应 AR 基线；在优化推理引擎下保留快速并行解码，并在受评估模型中取得较好的质量—效率权衡。摘要未提供基准名称、具体分数、数据划分、推理预算或速度测量条件，不能据此量化提升或外推到其他任务。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 掩码建模中不同时间片或通道的重建难度存在稳定差异，按位置分配递归计算可能减少对容易位置的重复计算。原方法依赖部分可观测的离散 token 序列与迭代去噪；迁移时可考虑复用潜在递归与计算调度，但需改造连续信号预测目标、位置表示及离散提交机制。低信噪比可能使噪声被误判为高难度，被试和通道差异也可能破坏调度泛化，小数据条件下联合学习调度存在不稳定风险。可在固定 EEG 数据划分、相同骨干与总计算预算下，对比统一递归和自适应递归的掩码重建误差及下游解码表现，检验额外计算是否真正改善有效信号恢复。已有相关 EEG 工作尚未检索确认。

    阅读价值：值得关注其以 token 级潜在递归联合学习预测与计算分配的机制，以及作者报告的质量—效率权衡；具体收益仍需结合基准协议、计算预算与消融核对。

  7. arXiv · 架构与算子75

    基于混合梯度的语言模型原则性 Top-k 选择方法

    基于摘要分析。该研究针对语言模型系统从 m 个候选项中选择最佳 k 项时，选择模块梯度信号较弱、探索与利用难以平衡的问题，提出一个具有明确建模目标的训练方法，其梯度同时包含监督梯度与策略梯度成分。 核心机制是通过所提出的选择目标获得混合形式的训练信号，而非仅依赖选择启发式。作者报告，选择问题随候选数量 m 增大而变得更困难，算法的收敛速率为 O(1/√T)，并可通过平衡偏差与方差达到所分析的最优上界。摘要未说明 T 的具体定义、目标与梯度估计公式，以及收敛结论所需假设，理论适用范围尚需全文核对。 作者在合成回归、Retrieval-Augmented Generation（RAG）文档选择和 Mixture-of-Experts（MoE）专家路由任务中评估该方法，报告其相较基线改善了 next-token prediction 的困惑度与 QA Accuracy。摘要未给出数据集、划分、基线名称或具体数值，不能据此判断提升幅度或不同任务间的可比性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 模型需要从候选通道、时间片段或专家模块中进行离散 top-k 选择，该混合梯度思路可能提供可复用的选择器训练框架。其迁移依赖可定义的候选集合、下游任务监督及可估计的选择收益；具体监督梯度项与策略梯度项如何适配 EEG，需依据全文公式确定。低信噪比、通道差异及小样本可能造成收益估计不稳定或选择器过拟合。一个可检验的小实验是在固定 EEG 解码骨干、候选通道集合与 k 的条件下，对比该方法与原有选择器，并分别报告被试内和跨被试 Accuracy 及多随机种子波动。上述迁移尚未验证，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其 top-k 选择目标如何结合监督梯度与策略梯度，以及偏差—方差平衡的理论条件；摘要报告了 RAG 和 MoE 任务收益，但具体对照与复现条件尚未验证。

  8. arXiv · 架构与算子75

    ExpertMuon-Compass：用于混合专家训练的对齐引导步长

    基于摘要分析。该研究针对混合专家（MoE）语言模型中各专家接收的数据不同且随训练变化、共享学习率难以反映专家更新质量的问题，提出 ExpertMuon-Compass（Compass）：保留 Muon 的更新方向与动量缓冲，通过两个对齐因子调整每个专家的更新步长。 核心机制是将专家的 Muon 步乘以两个因子：family factor 比较该专家正交化更新与当前梯度的余弦相似度和同层其他专家的对应相似度；scalar radius 将更新与梯度对应行之间的对齐信息聚合为一个步长乘数。方法主要改变更新幅度，而非更新方向。作者还报告证明了两个因子的扰动界，但具体假设、界的形式及适用范围尚未验证。 作者报告，在 FineWeb-Edu 预训练中，对所有矩阵使用 Nesterov 动量的 Compass 表现不逊于或优于 Muon、NorMuon 及其他优化器；较长训练运行中的权重衰减与 NorMuon 匹配。将这些因子加入 NorMuon 后，作者报告损失相同或更低。摘要未提供模型规模、训练预算、具体损失数值与数据划分，不能据此量化收益。作者报告，当专家所见数据在训练过程中变化时效果最明显，例如多语言语料按语言分块到达的设置；同时专家负载保持均衡，路由器的 token 分配更为明确。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 模型采用 MoE，且不同专家因被试、会话或任务路由而接收非平稳数据，对齐引导步长可能对应专家间更新可靠性不一致的瓶颈。可复用步长缩放机制，但需适配专家矩阵及路由方式；该机制依赖可计算的专家梯度、正交化更新及同层专家比较，不能直接推广到没有专家结构的模型。低信噪比、小数据和稀疏路由可能使对齐估计不稳定，通道差异也可能改变专家分工。一个可检验的小实验是在固定 EEG MoE、Cross-subject 划分与训练预算下，对照 Muon 和 Compass，比较预先指定的任务指标、专家负载与对齐因子稳定性，并分别移除两个因子。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其基于更新—梯度对齐调整专家步长的机制，以及与 Muon、NorMuon 在权重衰减匹配条件下的比较；摘要报告的收益尚需结合完整训练协议与消融验证。

  9. arXiv · 表征与预训练65

    零样本作者身份归属的作者表征策略：基于 LLM 与嵌入方法的比较研究

    基于摘要分析。该研究考察零样本 Authorship Attribution（AA）中如何表征作者的细粒度写作风格，比较仅标签提示与三种作者表征策略，并提出结合候选空间缩减和嵌入维度选择的两阶段 LISA 归属框架。 方法方面，仅标签基线、代表性写作样本和 LLM 生成的风格描述均通过 LLM 提示完成归属；基于 LISA 的方法则使用风格嵌入与余弦相似度。研究还考察提示设计的影响。摘要将零样本条件界定为没有任务特定监督，但作者表征所用样本的来源、数量及其与测试文本的关系尚未验证；两阶段框架的候选筛选规则、维度选择依据和具体流程也需查阅全文。 作者报告，在其评估条件下，仅标签的零样本 AA 效果不佳，引入作者特定表征可持续改善归属表现；两阶段 LISA 框架在所比较方法中取得最强的整体表现。作者报告，LLM 生成的风格描述能够提供更紧凑的作者表征，但会牺牲部分归属性能。摘要未提供数据集、具体 LLM、评价指标、数值结果或数据划分，实验协议、消融及统计信息尚未验证。作者据此认为，当前开源 LLM 若缺乏更有效的表征学习，仍不足以支持稳健归属；该结论的模型覆盖范围与跨语料适用性需进一步核对。 平台推测（待验证）：可迁移的机制假设是，先缩减候选空间、再选择有区分力的嵌入维度，可能帮助处理 EEG 表征中的冗余与个体差异；但原任务依赖作者参考文本及风格嵌入，并不等价于 EEG 的时序信号和任务标签。候选筛选与相似度判别可作为借鉴模块，编码器、参考表征及维度选择规则需要改造。低信噪比、跨被试或通道差异可能导致正确候选被提前排除，小数据也可能使维度选择不稳定。一个可检验的小实验是在固定 Cross-subject 划分下，对比全维度相似度判别与两阶段流程，核对筛选后的正确类别保留率及最终 Accuracy，并确保选择规则不使用测试标签。相关 EEG 工作尚未检索确认。

9月19日周六
  1. OpenReview · State space models81

    Caracal：状态空间模型中的非交换旋转

    基于摘要分析。本文研究状态空间模型（SSM）中状态追踪能力与训练效率的矛盾，提出 Caracal：通过四元数组合非交换的 SO(3) 旋转，实现非对角状态转移，并构建结合状态空间对偶（SSD）训练效率的 SO3SSD。原论文主要面向形式化状态追踪、有限状态自动机及语言建模，并非 EEG 或 BCI 研究。 核心机制：摘要指出，SSM 可兼顾并行训练与固定内存解码，但对角状态转移限制状态追踪能力，无法解决 NC¹-complete 问题；SLiCE、DeltaProduct 等非对角模型扩展了这一能力，却面临稠密分块组合或逐 token 重复更新的训练开销。Caracal 利用 SO(3) 旋转的非交换性及四元数的组合结构，试图保留更强的状态表达能力，同时支持高效并行训练。具体参数化、控制信号构造、训练目标及理论成立条件尚未验证。 作者报告，Caracal 的状态追踪能力在理论上超过对角 SSM，并能以单层解决 A_5 benchmark；在所评估的并行模型中，其有限状态自动机任务平均 Accuracy 最高。作者还报告，在论文的语言模型比较中获得最低实测测试困惑度、具有竞争力的零样本 Accuracy，以及领先的 MAD 压缩和选择性复制结果。包含控制准备开销时，在 512K tokens、batch 为 1 的测试条件下，SO3SSD 比所有受测基线训练更快，相对最快基线达到 1.44 倍速度，即使递归基线使用更小状态。上述结论仅适用于摘要所述比较范围；数据集、划分、模型规模、硬件、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务需要追踪对事件顺序敏感的长程状态，非交换转移可能提供可检验的建模假设。可考虑复用旋转状态更新与并行计算机制，但需改造连续多通道 EEG 的输入编码和任务输出；低信噪比可能使控制信号不稳定，通道差异、跨被试偏移及小数据也可能削弱收益。一个小实验是在固定跨被试划分、相近参数量与训练预算下，对比 Caracal 与对角 SSM 的长窗口 EEG 分类表现，并扰动时间顺序，检验收益是否确实依赖顺序信息。相关 EEG 工作尚未检索确认，该方案不代表已证实的 BCI 效果。

    阅读价值：值得核对其通过四元数组合非交换旋转、兼顾状态追踪能力与并行训练效率的机制及实测条件，但其对 EEG 长时序建模的价值尚未验证。

  2. OpenReview · State space models79

    SpecOSS：谱生成的振荡状态空间模型

    基于摘要分析。SpecOSS 研究通用时变信号建模：不同于随机初始化并学习振荡频率网格，它从经典算子的谱生成频率网格，以显式先验确定模型覆盖的时间尺度。原论文主要面向信号分类、可穿戴传感器回归、天气预测和语言建模，并非专门的 EEG/BCI 研究。 核心机制是将模型构造成受迫谐振子组，其状态矩阵为非负对角矩阵，每个对角元素对应一个振荡器的频率平方。频率网格离线生成，来源包括经典正交多项式族的 Sturm–Liouville（SL）谱，以及维护信号历史在线正交函数展开的记忆算子。生成网格用于初始化状态矩阵，随后可继续训练，也可在整个训练过程中保持固定。为适应不能由单一物理系统描述的信号，作者还融合多个谱，并通过可学习低秩门控调节权重；作者称这一设计不增加递推成本。摘要提及误差界、表达能力分析及若干核心构造的消融，但其具体条件与结论尚未验证。 作者报告，在五个时变信号分类基准、序列长度为五万的可穿戴传感器心率回归、真实天气预测，以及 WikiText-103 和 Pile 语言建模中，生成网格优于随机初始化后学习的网格及若干一阶基线；固定网格也取得较好的准确率或误差表现。摘要未给出具体分数、分类基准名称、划分方式与基线配置，实验协议、消融及统计信息尚未验证，不能据此量化收益或比较不同任务的效果。 平台推测（待验证）：假设 EEG 中部分节律与长程依赖可由振荡模式有效表征，谱生成网格可能为时间尺度覆盖提供可复用先验。其原机制依赖时序结构与解析频率网格，但采样率、频率单位、通道融合和任务监督方式仍需适配；数学谱并不天然对应 EEG 生理频段。低信噪比、跨被试频率差异、通道变化及小数据训练均可能削弱收益。一个可检验的小实验是，在同一 EEG 数据划分与匹配模型规模下，对照随机可学习网格、谱初始化可学习网格和固定谱网格，分别核对被试内与跨被试表现及训练稳定性。已有 EEG 相关工作尚未检索确认；完整复现还需核对谱生成公式、频率缩放、递推离散化及训练配置。

    阅读价值：值得核对其由解析谱生成振荡频率网格的构造，以及固定网格与可训练网格的对照；这为检验状态空间模型的时间尺度先验提供了具体路径，但其 EEG/BCI 价值尚未验证。

  3. OpenReview · State space models75

    神经网络计算中的概率状态空间枚举

    基于摘要分析。本文研究 Transformer MLP 的稠密计算能否精确表示为组合状态空间上的期望，并通过只计算高概率配置获得可控近似；主要贡献是概率状态空间框架及按概率递减枚举完整联合状态的 NORDER-II，而非 EEG/BCI 解码方法。 机制上，框架将 MLP 中间维度划分为通道组，定义依赖输入的二元纳入状态分布，并对掩码输出进行重要性校正，使完整期望精确恢复稠密 MLP 输出。NORDER-II 无需构建或排序指数规模的完整状态空间，即可枚举概率最高的联合配置；截断枚举形成由累计概率质量与状态预算控制的可随时终止近似。与按单个组件显著性筛选的方法相比，其核心区别是利用完整联合状态结构。具体分布、校正公式、通道分组规则及误差保证尚未验证。 作者报告，在 Llama-3.2-1B 和 Gemma-2-2B 上，状态预算 B=2048 时，NORDER-II 的 MLP 输出近似准确度分别为 92.4% 和 93.8%，Channel Top-k 分别为 76.9% 和 79.8%；该指标不是分类 Accuracy，具体定义尚需全文核对。联合近似首个、中间和最后一个 MLP 层时，作者报告 WikiText-2 困惑度相对稠密推理的偏差分别在 0.06% 和 0.54% 以内。相较按期望数量匹配的 Grouped Top-k，作者报告近似准确度相对增益为 82.6–126.4%，额外局部解析 FLOPs 为 0.18–0.19%；这不等同于实测延迟、总 FLOPs 或能耗改善。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG Transformer 的 MLP 通道组分布具有足够的概率集中性，该机制可能用于自适应控制推理计算量；可复用部分是联合状态枚举与重要性校正，需改造和核对的是通道分组、输入相关分布及预算选择。低信噪比、跨被试或跨通道分布变化可能削弱概率集中性，使较小预算产生较大近似误差；小数据下分布估计也可能不稳定。可检验的小实验是在固定 EEG Transformer 与被试划分下，仅替换其 MLP 推理，比较不同预算下的输出误差、任务指标和实测延迟，并与稠密推理及匹配计算预算的 Top-k 对照。该迁移假设不构成已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其稠密 MLP 输出的期望等价性与 NORDER-II 联合状态枚举机制，但摘要中的局部计算开销和输出近似指标尚不能证明端到端加速或 EEG/BCI 适用性。

  4. OpenReview · State space models64

    SGRPO：使用状态隔离的组相对策略优化状态空间语言模型

    基于摘要分析。本文研究状态空间语言模型在 Group-Relative Policy Optimization（GRPO）训练中共享生成缓存可能引入的采样依赖，提出每次生成前恢复提示处理后的状态，并将这一修正与 token 级归一化、future-KL token weighting 组合为 SGRPO。主要研究对象是语言模型的策略优化，而非 EEG 解码或 BCI。 GRPO 将同一提示下多次采样响应的奖励在组内标准化，以构造各响应的优势估计。作者指出，其推导要求组内响应是当前策略的独立样本；对于 Mamba 等状态空间模型，如果为避免重复编码提示而让多个响应顺序使用同一生成缓存，各层递归状态与因果卷积缓冲区就可能从前一次响应延续到下一次。后续响应因此不再从仅由提示产生的干净状态开始。作者主张，在非退化奖励映射下，这会引入依赖生成顺序的估计偏差，并通过共享组基线影响首个未受状态延续污染的响应。该问题针对共享缓存且未重置状态的实现，不宜扩大为所有状态空间策略的固有缺陷。 修正机制是在每次响应生成前，将各层递归状态和卷积缓冲区恢复至提示处理完成时的值，保留原有组相对目标。作者报告，这能恢复严格独立性，且不增加 FLOPs；但零额外 FLOPs 不等于没有状态复制、显存或运行时间开销，相关实现成本尚未验证。摘要未展开 token 级归一化及 future-KL token weighting 的公式与作用，也未给出数据集、模型规模、奖励设置、下游指标或对照结果。理论推导、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：这一机制首先可用于检查任何依赖组内独立采样、又复用递归缓存的训练流程。若 EEG 条件生成策略确实采用此类优化，才存在迁移路径；需确保神经信号条件状态与生成状态的边界清晰，并验证恢复操作没有遗漏缓冲区。可先固定提示与模型，比较共享缓存和状态隔离条件下不同生成顺序的奖励及优势估计变化，再考虑 EEG 任务。原文没有 EEG/BCI 有效性证据，相关工作尚未检索确认。

  5. OpenReview · Representation learning75

    面向多轮群体决策的表示引导偏好学习

    基于摘要分析。本文研究固定参与者群体在连续多轮决策中的偏好学习：协调者根据各参与者对文本选项给出的标量效用反馈，寻找公平的决策方案。核心贡献是将问题形式化为双线性低秩 bandit，通过跨轮共享表示与个体偏好的联合学习降低探索成本。 机制与理论：方法采用交替最小化与 LCB-minimax 探索。作者报告，其累积伪遗憾上界随表示的谱维度 k_h 而非编码器的环境维度 d_h 缩放，提示低秩结构可用于控制高维表示下的学习复杂度。摘要未说明公平性目标的精确定义、低秩条件、反馈噪声假设及上界的其他依赖项，均需正文核对。 实验结果：在受控多轮模拟器上，作者报告总轮次最优方案差距 G_total 为 22.06±1.47，对照结果范围为 46.57–146；逐轮误差从第 1 轮的 5.57 降至第 3 轮的 2.00，此后约在 1.5–3 之间。摘要未明确这些对照分别对应何种配置，也未解释误差条的统计含义。在使用 Qwen3-8B、Llama-3.1-8B-Instruct、gemma-3-4b-it 和 all-MiniLM-L6-v2 预训练编码器的评估中，作者报告联合学习共享探针与个体偏好，相较随机投影使 G_total 降低 1.9–2.5 倍，相较 one-hot 特征降低 3.2–4.9 倍。使用真实预训练编码器不等于完成真实参与者验证；参与者规模、轮次数、数据划分、消融与统计信息尚未验证。 适用边界：原论文对象是文本选项上的群体效用反馈，而非 EEG 解码或 BCI 控制。其机制依赖固定参与者、多轮反馈及可共享的低秩偏好结构；材料尚未建立这些条件与神经信号任务的具体对应关系，因此不据此提出 BCI 迁移效果或复现实验建议。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其低秩表示如何降低多轮群体偏好学习的探索复杂度，以及共享探针与个体偏好联合学习的对照收益，但摘要结果限于群体决策任务，尚不能作为 BCI 有效性的证据。

  6. OpenReview · State space models84

    基于四元数状态空间模型的非阿贝尔状态跟踪

    基于摘要分析。本文主要研究语言建模与合成序列中的状态跟踪，针对复数对角状态空间模型（SSM）的转移受矩阵交换性限制的问题，提出四元数 SSM Icosian，以输入依赖的四维旋转实现非交换状态转移。 核心机制是利用四维旋转群 SO(4) 可由一对单位四元数参数化的结构，通过四元数算术进行递归更新，而不显式构造和组合旋转矩阵。其表达能力的关键在于更新顺序可以影响最终状态，区别于可交换的对角转移。摘要称该实现兼顾快速计算与数值稳定性；具体状态组织、输入到旋转参数的映射、训练目标及稳定性证据尚未验证。 作者报告，在 500M 至 3B 参数规模的语言建模评估中，Icosian 在多个随机种子下持续优于 Mamba-3、Gated DeltaNet 和 Gated DeltaProduct，且额外计算成本随规模增大而下降，在 3B 参数配置下为 3%。摘要未提供语言建模数据集、评估指标、具体得分及计算成本的测量口径，因此不能据此量化效果差距或推断实际部署吞吐。 在合成状态跟踪与回忆实验中，作者报告，单层 Icosian 能在非可解群 A5 上实现长度泛化，而更深模型还能跟踪从连续群 SO(3) 和 SO(4) 中均匀采样的旋转。该结果支持其对非交换状态演化的建模能力，但训练与测试序列长度、模型深度、对照配置、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务需要区分局部特征相似、但事件顺序不同的序列，非交换递归更新可能提供可检验的机制路径；这是假设，不是本文已证实的 BCI 效果。可复用四元数状态更新，需改造 EEG 输入编码和任务输出头，并明确序列标签与采样窗口。低信噪比、通道变化、跨被试差异及小数据可能使旋转参数学习不稳定，或使模型利用无关顺序线索。一个小实验是在固定 EEG 编码器与相同被试划分下，对比四元数更新和复数对角更新，并加入事件顺序扰动，检验收益是否确实与顺序建模有关。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 Icosian 如何以四元数运算实现非交换状态更新，以及语言建模与群状态跟踪中的收益是否来自该机制；其 EEG/BCI 价值尚未验证。

9月18日周五
  1. OpenReview · State space models77

    选择性状态空间模型的训练感知、免校准模型降阶

    基于摘要分析。本文研究文本、音频等长序列任务中选择性状态空间模型（SSMs）的结构压缩，针对 Mamba 中影响逐步计算成本与参数量的状态阶数和步长调度维度，提出在全阶模型训练期间加入结构正则化、训练后一次性联合降维的框架。其贡献是仅利用学习到的参数构造目标维度模型，无需校准数据或压缩后微调。 机制上，作者以逐层有限时域输出误差界为依据，设计具有尺度不变性、考虑衰减特性的状态评分，以及步长映射的因子化低秩替代表示。训练完成后，通过状态选择降低状态阶数，通过截断 SVD 降低步长调度维度。这里的“免校准”指压缩阶段不需要校准数据，并不意味着训练不依赖数据；该方法将压缩准备纳入全阶训练过程，也不宜视为可直接用于任意现成模型的纯后处理方案。 作者报告，在 Selective Copying、SC09 和 The Pile 上，联合降维模型在相同降维水平下的点估计优于普通事后降维；仅降低状态阶数时，其免校准方法在 Selective Copying 和 SC09 上优于经适配的校准式基线，在 The Pile 上保持竞争力。摘要未提供具体指标、数值、模型规模或划分，不能据此判断优势大小、统计显著性及实际推理加速。实验协议、消融及统计信息尚未验证；复现还需核对正则化实现、目标维度设置、基线适配方式与计算开销。 平台推测（待验证）：若 EEG 序列模型采用同类选择性 SSM，该机制可能用于减少长时间窗处理的状态与步长映射开销。可复用的是训练期结构约束和训练后降阶流程，需改造的是 EEG 输入表示、任务目标与误差评估。假设低能量但判别性强的神经信号可能被状态评分低估，低信噪比、跨被试差异及小数据训练也可能削弱降阶稳定性。可先在固定跨被试划分下，对比全阶模型、普通事后降阶和训练感知降阶，在匹配目标维度时检查任务指标与实测时延；原领域结果不构成 BCI 有效性的证据，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其训练期结构正则化与压缩后输出误差的联系，以及无需校准数据或压缩后微调的联合降维效果，但摘要中的点估计优势尚需结合完整协议与统计信息验证。

  2. OpenReview · Representation learning74

    SpecMRL：在参数谱空间中重新设计 Matryoshka Representation Learning

    基于摘要分析。该研究针对 Matryoshka Representation Learning（MRL）联合优化嵌套前缀、却缺乏显式约束确保前部特征形成有效紧凑编码的问题，提出 SpecMRL：引入由参数导出、按特征重要性组织的谱基，在学习到的谱空间中读取前缀，以改善可变维度表示的压缩效果。 机制上，SpecMRL 的主要变化是重组表示空间，而非替换 MRL 的整体训练框架。摘要称其余部分沿用标准 MRL，但未说明谱基由哪些参数构造、重要性如何度量，以及谱基的学习与更新方式；具体损失、训练开销和推理成本尚未验证。因此，其可核对的创新点是前缀读取坐标系与信息排序机制，而不是摘要未提供的网络结构。 作者报告，在 MTEB 上，SpecMRL 在所有已评估的降维设置中均优于 MRL，且压缩越强，收益越大；作者还报告，仅使用一半嵌入维度即可超过全维 MRL。摘要未提供具体任务、指标、分数、原始维度及数据划分，不能据此判断收益幅度或各任务的一致性。实验协议、消融及统计信息尚未验证，复现需进一步核对模型、训练数据、维度设置和基线条件。 平台推测（待验证）：若 EEG 表示需要按存储或推理预算截取维度，按重要性组织谱方向可能缓解直接截取前缀时的信息损失。该假设依赖可学习的向量表示、参数谱结构及足以稳定估计重要性的训练数据；可复用谱空间重组与前缀读取思路，但需适配 EEG 编码器、任务监督和跨被试分布变化。低信噪比、小数据及通道差异可能使重要方向不稳定，或优先保留被试特异信息。一个可检验的小实验是在固定 EEG 编码器、数据划分和训练预算下，对比标准 MRL 与谱空间前缀读取在多个压缩维度下的表现，并分别评估被试内与跨被试协议。已有 EEG 相关工作尚未检索确认，以上并非已验证的 BCI 效果。

    阅读价值：值得核对参数导出的谱基如何改善嵌套前缀的信息排序，以及作者报告的半维嵌入优于全维 MRL 是否在相同训练与评估条件下成立。

  3. OpenReview · Representation learning72

    NMF-SVAE：发现用于结构化情绪表征学习的数据驱动模块化先验

    基于摘要分析。该研究面向自然语言情绪识别，针对情绪类别共现结构未被充分利用的问题，提出 NMF-guided Sparse Variational Autoencoder（NMF-SVAE），将数据驱动的情绪模块作为潜在表征的结构先验；其主要研究对象不是 EEG 或 BCI。 方法首先对 GoEmotions 进行 Non-negative Matrix Factorization（NMF，非负矩阵分解），结合可视化与社区分析识别可解释的情绪模块。随后通过由 NMF 初始化并冻结的解码器，将每个潜在维度锚定到对应模块，再以 ℓ1 稀疏约束和对齐目标鼓励选择性、可解释的潜在激活。相较依赖 Valence-Arousal-Dominance 等固定心理学维度的结构化 VAE，其区别在于从数据中的细粒度情绪类别分布构建潜在结构；这不等于冻结后的模块会在迁移中自动更新。摘要未给出对齐目标的具体形式及完整训练流程。 预训练编码器通过 head-wise gated fusion 接入 RoBERTa-Large 分类器，旨在不重新训练 NMF-SVAE 编码器的情况下，将结构化情绪知识迁移到新的标签空间。作者报告，在七个基准上的实验中，五个数据集取得最佳 F1，六个取得最佳 Recall。摘要未列出完整数据集名称、指标平均方式、对照基线、划分及数值，因而不能判断提升幅度或直接比较不同任务；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 情绪任务具有足够可靠的多标签标注或情绪共现信息，模块先验与稀疏激活机制可能用于检验情绪表征的可解释性。该假设依赖标注结构与样本规模，可复用模块构建及约束思路，但需改造 EEG 编码器和融合接口，不能直接沿用文本分类器。低信噪比、跨被试差异、通道变化及小数据可能使共现模块不稳定，或使语言情绪结构不适用于 EEG。可在同一跨被试划分下，仅用训练集构建先验，比较加入与不加入模块约束的同一 EEG 模型，并检验分类指标和模块稳定性。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对其数据驱动情绪模块、冻结解码器与门控融合如何支持可解释表征及标签空间迁移，但摘要中的最优指标仍需结合具体基线、划分和统计结果验证。

9月17日周四
  1. OpenReview · State space models75

    解决状态表征失配：用于开环 VLA 规划的状态空间视觉推理

    基于摘要分析。本文研究视觉-语言-动作（VLA）模型在仅有初始观测的开环规划中，如何内部模拟动作引起的状态转移，提出 State-Space Visual Reasoning（SSVR），将静态视觉上下文、语言约束与循环潜在状态解耦，以支持多步动作预测。 作者将现有推理方式的困难概括为“状态表征失配”：文本推理可能损失空间信息，像素空间推理可能积累视觉生成误差，潜在空间推理则可能绕过中间潜在 token。SSVR 以 Qwen2.5-VL 为骨干，仅编码一次初始图像和指令；随后每一步动作预测均以潜在状态为条件，并通过动作条件化的 GRU 更新该状态。其核心机制是复用静态上下文，同时显式维护随动作演化的紧凑循环状态，而非反复生成完整视觉观测。 作者报告，在 FrozenLake、Maze 和 MiniBehavior 的开环规划评估中，EM/PR 分别为 99.5/99.6、96.3/98.0 和 83.9/90.6，并称优于既有方法。摘要未说明 EM/PR 的具体定义、数值单位、数据划分及对照方法，因而不能据此进行跨协议比较。作者还报告，在前缀缓存已预先构建的条件下，Maze 解码 rollout 相对所评估基线最高加速 98.58 倍；该结果不能直接等同于包含缓存构建成本的端到端加速。 作者称输入变换与迁移设置下的实验支持循环状态建模的有效性，但具体设置、消融及统计信息尚未验证。复现时需核对训练目标、潜在状态初始化与更新实现、长时程误差评估，以及缓存与基线计时口径。 本文的主要研究对象是视觉环境中的开环 VLA 规划，并非 EEG 解码或 BCI 验证。平台推测（待验证）：静态上下文与动态状态分离可能为具有明确动作—状态转移结构的 BCI 控制任务提供建模参考，但其依赖的状态可预测性与 EEG 观测噪声之间存在差异，不能将原任务结果视为 BCI 有效性证据；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 SSVR 如何通过动作条件化的循环状态更新改善开环多步规划，以及预建前缀缓存条件下的效率收益；其对 EEG/BCI 的适用性尚未验证。

9月16日周三
  1. OpenReview · Representation learning74

    偏好优化中的 On-Policy 表征对齐

    基于摘要分析。本文研究 LLM 偏好优化中静态离线偏好数据与持续变化的当前策略之间的错配，提出 On-Policy Representation Alignment（OPRA），将偏好优化从奖励层面的回答排序扩展到表征层面的偏好对齐。 核心机制是：针对一个离线偏好对，从当前策略采样一段短回答前缀作为锚点，促使其回答级表征更接近被偏好的回答表征，而远离被拒绝的回答表征。OPRA 联合优化输出层面的偏好一致性与 on-policy 表征对齐，旨在把离线监督直接连接到策略自身的自回归生成过程。相较于摘要所述的奖励空间约束或数据侧策略，其区别在于显式约束生成过程中的表征，而不只约束最终回答的偏好排序。具体表征提取位置、距离度量、损失形式、权重及采样开销尚未验证。 作者报告，在十个基准的实验中，OPRA 在不同偏好数据设置与 LLM 骨干模型上取得一致改进；进一步分析显示其学习到更符合偏好的表征，并在多种设置下表现出泛化能力。摘要未提供基准名称、数据划分、对照方法、指标或增益数值，实验协议、消融及统计信息尚未验证，因此不能据此判断改进幅度或比较不同协议的结果。 本文主要对象是具有自回归生成能力、使用成对偏好监督的 LLM，并非 EEG 解码或 BCI 控制。平台推测（待验证）：若某个 BCI 系统包含可采样的序列生成策略及可靠的成对偏好反馈，可假设以当前策略输出作为表征锚点有助于缓解离线反馈与策略行为的错配；可复用的是锚点采样和偏好表征对齐思路，信号编码、序列定义及反馈收集需要改造。低信噪比、跨被试差异和小数据可能使锚点及偏好监督不稳定。一个可证伪的小实验是在固定数据划分与反馈预算下，对比仅输出级偏好优化和加入表征对齐的同一生成策略，检查任务性能及偏好一致性是否同时改善。已有 EEG 相关工作尚未检索确认，该假设不适用于没有生成策略或偏好反馈的普通 EEG 分类任务。

    阅读价值：值得阅读的是 OPRA 利用当前策略生成的短前缀连接离线偏好监督与表征学习的机制；作者报告其在多个基准上有效，但具体增益、实现成本及对 EEG/BCI 的适用性尚未验证。

9月14日周一
  1. OpenReview · State space models77

    用于状态空间模型的差分注意力

    基于摘要分析。该研究面向语言序列建模，探索如何将 Differential Transformer 通过注意力图相减增强信号选择性的思路引入状态空间模型（SSM），同时避免并行 Mamba 分支带来的计算开销。作者从 structured state space duality（SSD）推导广义差分计算，将其表述为状态空间读出操作，并在 Mamba-2 与 Mamba-3 中分别实现 Diff-Mamba-2 和 Diff-Mamba-3。 核心机制：与使用并行、缩减版 Mamba 模块的既有方案不同，作者提出差分计算可直接作用于状态空间读出，支持精确的单遍计算形式及高效的单差分电路实现，无需修改底层 SSM 内核。摘要尚不足以核对具体读出公式、差分系数的学习方式、两种实现的等价条件，以及训练损失和推理开销。 结果与复现：作者报告，在语言建模基准上，相对各自对应基线，模型表现持续改善，平均指标提升最高达 1.5 点，同时保持现代 SSM 的计算效率；但摘要未注明指标名称、基准组成、模型规模和训练预算，不能将该数值解释为 Accuracy 或百分点。作者还报告真实世界长上下文基准上的检索改善，以及可解释性分析中更鲜明的 token 级交互模式。作者称代码已公开，具体获取方式、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，状态空间读出的差分操作可能帮助 EEG 序列模型抑制共享背景成分，但语言 token 上的有效性不等于 EEG/BCI 有效性。可复用部分是 SSM 读出差分机制；需改造连续信号输入、通道表示与任务读出。原研究依赖语言序列建模数据，具体监督与规模未明确；EEG 的低信噪比、跨被试差异、通道变化和小数据条件可能使差分误消弱任务信号。一个可证伪的小实验是在固定数据划分、训练预算和参数规模条件下，对比 Mamba-2 与 Diff-Mamba-2 的 EEG 分类表现及噪声扰动敏感性，同时测量计算开销。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对其从 SSD 推导状态空间读出差分计算的机制，以及不修改 SSM 内核时性能与计算效率的对照证据；其对 EEG 噪声抑制的价值尚未验证。

9月11日周五
  1. OpenReview · Representation learning74

    通过表征依赖解读训练动态

    基于摘要分析。本文研究神经网络训练过程中不同输入之间的表征关系如何变化，提出 representation dependence（RD，表征依赖），通过聚合不同输入隐层表征之间的依赖关系，为预测和解释训练行为提供损失与梯度范数之外的信息。 机制与对照：RD 的关注对象是跨样本表征关系，而非仅观察单个样本的预测误差或整体梯度大小。作者分析 RD 相对于损失和梯度范数所捕获的信息，以及训练数据变化如何影响其演化。摘要未给出依赖度量的数学定义、表征层选择、样本聚合方式或计算开销；也不能据此认定 RD 被用作优化损失。 结果：作者报告，在 NanoGPT 中，将 RD 特征加入结合损失、梯度范数和表征统计量的基线后，对未来 250 次更新时验证性能恶化的预测，平均绝对误差降低 13.6%。该数字是这一预测任务下的相对误差降低，并非模型任务准确率提升。作者还报告，RD 能追踪 ViT 在损失匹配的标签污染条件下的表征变化，区分 Pythia 指令微调中的故障时间窗口；在 grokking 中，训练样本已被拟合之后出现的延迟泛化伴随 RD 变化。这些观察不等同于 RD 对泛化具有因果作用。 平台推测（待验证）：假设 EEG 模型的跨样本表征关系能反映学习状态，RD 可作为训练监测特征，辅助识别损失变化不明显时的表征漂移。可复用的是依赖聚合与时序监测思路，需改造的是 EEG 表征层选择、样本窗口及被试与通道分组；低信噪比、被试差异和小样本可能使 RD 主要响应伪迹或身份特征。一个可检验的小实验是在固定 Cross-subject 划分的 EEG 分类任务中，对照仅用损失、梯度范数和表征统计量的预测器，检验加入 RD 是否改善未来验证性能恶化的预测，且不将验证信息输入训练诊断特征。已有 EEG 相关工作尚未检索确认。 实验协议、消融及统计信息尚未验证；复现还需核对 RD 定义、数据划分、预测目标、故障窗口标注及实现条件。

    阅读价值：值得核对 RD 是否提供独立于损失和梯度范数的训练诊断信息：作者报告其改善 NanoGPT 验证性能恶化预测，并在多种训练情境中反映表征变化，但计算成本与跨任务稳健性尚未验证。

  2. OpenReview · State space models78

    选择性状态空间模型的分布式学习：架构感知收敛分析

    基于摘要分析。本文研究选择性状态空间模型（SSM）在分布式、尤其是联邦学习中的优化行为，针对标准联邦学习方法通常不考虑模型架构特性的局限，推导架构感知的梯度、光滑性与收敛界，并通过合成序列和 Mamba2 语言建模实验考察这些分析的解释作用。主要研究对象是 SSM 的联邦优化，而非 EEG 或 BCI。 理论部分覆盖单层与多层选择性 SSM，给出 FedAvg 和 FedProx 的收敛界，刻画递归稳定性、输入依赖的离散化以及状态投影范数如何影响联邦优化。其具体价值在于把模型内部动力学与分布式训练行为联系起来，而不是仅使用架构无关的优化分析；界的具体形式、成立假设及紧致性尚未验证。 作者报告，在 teacher SSM 生成的序列上，使用遵循所分析递推形式的 learner，对单层理论界进行数值验证；随后依据分析提出关于本地训练和客户端异质性影响的预期，并在六个文本领域的 Mamba2 语言建模任务上比较九种联邦学习算法。摘要未给出具体算法清单、数据划分、指标或性能数值，因此不能判断算法优劣，也不能将单层递推验证直接视为实际多层 Mamba2 理论界的完整验证。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 序列建模采用选择性 SSM，并以被试或采集机构作为联邦客户端，该分析可能帮助研究本地更新步数与客户端异质性下的优化稳定性。此假设依赖模型递推满足理论条件，以及 EEG 任务的监督方式和数据规模支持稳定训练；可复用的是稳定性分析思路及 FedAvg、FedProx 对照，需改造输入编码、通道处理和任务输出。低信噪比、跨被试差异、通道不一致与小样本可能使文本实验中的规律不成立。一个可检验的小实验是在固定跨被试划分与通信预算下，改变本地更新步数，比较 FedAvg、FedProx 的训练稳定性与任务指标，并核对其是否符合理论预期。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其将选择性 SSM 的递归稳定性、离散化与状态投影参数联系到联邦优化收敛的分析，但理论界对实际 Mamba2 训练的解释力及其 EEG 迁移价值尚需验证。

9月10日周四
  1. OpenReview · Representation learning78

    TRACE：面向通用多模态检索的任务自适应推理与表征学习

    基于摘要分析。本文研究通用多模态检索中显式匹配与尚未明确的组合意图如何映射到共享嵌入空间，提出 TRACE，通过查询侧的选择性推理，将意图解析与检索表征学习结合，同时保留候选项离线索引能力。 机制上，TRACE 的首次自回归预测选择直接生成嵌入，或先生成面向检索的推理序列；两条路径都从预测同一嵌入标记的隐藏状态提取向量。联合生成训练与对比训练用于耦合意图解析和表征学习，候选项则直接编码，不依赖在线推理。该设计针对的是“所有查询都推理”可能增加延迟、甚至削弱检索效果的问题。作者构建 M-BEIR-CoT，以 518K 个直接编码样例和 575K 个经过筛选的推理样例监督两种行为；筛选方式、损失细节及路由监督方式尚未验证。 作者报告，TRACE 在 M-BEIR 上的平均分为 58.8，比使用相同骨干的 LamRA-Ret 复现结果高 2.1 分，并在 13 个分布偏移设置中的 11 个优于 LamRA-Ret。摘要未明确平均分的具体指标及各设置划分。作者还报告，在独立的 MSCOCO 与 CIRR 对照实验中，TRACE 的召回表现优于分别训练的仅直接编码策略和始终推理策略，查询吞吐量约为始终推理策略的 1.9 倍；硬件、批量大小、推理长度及具体召回指标尚未验证。作者称 CIRR 干预实验与消融进一步支持推理式推断、联合表征学习和仅查询侧生成的作用，具体实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其“按查询需求选择计算路径、保持候选向量可索引”的机制，可能用于带文本意图的 EEG 片段检索，而不是直接替代 EEG 解码算法。这一假设依赖可对齐的 EEG—文本或任务标签监督；可借鉴查询路由与联合训练，但需改造 EEG 编码和跨模态对齐。低信噪比、跨被试与通道差异及小样本条件可能使路由或推理失效。可在固定跨被试划分和同一 EEG 编码器下，比较直接编码、始终推理与选择性推理的检索召回和查询时延。已有 EEG 相关工作尚未检索确认，原论文结果不构成 BCI 有效性的证据。

    阅读价值：值得核对其选择性推理如何兼顾检索效果与查询吞吐量：摘要提供了同骨干对照、分布偏移评估及直接编码与始终推理策略的比较，但具体协议与统计信息尚未验证。

8月13日周四
  1. OpenReview · Representation learning66

    行为数据表示学习综述

    基于摘要分析。本文围绕反映实体间动态、复杂交互的行为数据，综述其表示学习方法，主要贡献是建立按数据模态组织的方法分类体系，并整理下游应用、数据集与基准，而非提出新的 EEG/BCI 算法。 分类框架涵盖 tabular data（表格数据）、event sequences（事件序列）、dynamic graphs（动态图）和 natural language（自然语言）四类模态；在各类内部，进一步依据建模策略与能力梳理方法及其发展。该组织方式有助于区分不同数据结构对应的表示学习路线，但摘要未给出具体模型、训练目标、监督条件或方法间的比较结论，相关内容尚需全文核对。 作者说明综述还讨论了重要下游应用、数据集和基准，并提供配套 GitHub 仓库，汇集文中覆盖的方法与论文。该仓库属于综述资源集合，不能据此认定提供了统一实现、预训练权重或可直接复现的评估流程。摘要未报告量化实验结果；综述覆盖范围、文献筛选标准、基准协议及比较依据尚未验证。 本文的主要研究对象是通用行为数据，并非神经信号。现有材料未建立上述分类与 EEG 的低信噪比、跨被试差异或通道结构之间的具体机制对应，因此不据此提出 BCI 迁移效果或复现实验建议；相关 EEG 工作尚未检索确认。

7月28日周二
  1. OpenReview · Representation learning71

    面向低资源临床跨语言检索的语义可靠性感知表征学习

    基于摘要分析。本文研究低资源语言场景下的多语言临床句子检索，提出语义可靠性感知表征学习框架，试图在语义对齐之外兼顾临床语言差异与语义保真。其核心是与现有多语言句子嵌入模型兼容的投影，而非修改底层编码器。 方法机制：摘要列出的优化目标包括类别一致性、语义保持、几何感知正则化、语义对齐和表征保留。作者认为，侧重语义对齐的现有方法未充分处理具有临床意义的语言变化及语义可靠性，可能影响临床检索与下游决策支持。各目标的具体损失形式、权重、投影结构及所需监督尚未验证；摘要也未说明语义可靠性如何定义和测量。 评估与结果：研究以 English-Swahili 为主要语言对，以 English-Yoruba 为未见语言对，开展跨语言临床句子检索。评价指标包括 Recall@1、Recall@5、Mean Reciprocal Rank（MRR）、匹配与非匹配样本分离度、语义风险距离及余弦相似度。作者报告，在 English-Swahili 检索中，R@1 从 0.3285 提升至 0.7739，但摘要未交代该对照的具体模型、数据划分和候选检索规模。作者还报告，在未见 English-Yoruba 语言对上，无需微调或重新训练即可获得正向冻结迁移，但未提供其具体指标。 证据边界：数据集来源、句子数量、临床类别构成、训练与测试划分、基线配置、消融及统计信息尚未验证。阅读全文时需重点核对语义风险距离的定义、检索改善与临床语义保持之间的关系，以及未见语言对迁移的评估协议。本文的主要研究对象是临床文本检索，摘要未提供 EEG/BCI 方法或神经信号验证，不能将其结果解释为 BCI 性能提升。

    阅读价值：值得核对其在不修改底层多语言编码器的条件下，如何通过语义可靠性感知投影改善低资源临床跨语言检索，以及未见语言对的冻结迁移是否具有稳定性。

  2. OpenReview · State space models75

    Adaptive State Space Experts：通过状态感知路由动态选择专家，实现高效序列建模

    基于摘要分析。本文研究状态空间模型（SSM）与混合专家（MoE）的融合，针对仅依赖当前 token 的路由器未利用 SSM 历史状态的问题，提出 Adaptive State Space Experts（ASSE）。核心贡献是将专家选择、时间信息保留和自适应推理深度与状态动态相结合；原论文评估对象为语言建模与长序列任务，并非 EEG 或 BCI。 机制包括三部分：以运行状态的紧凑摘要作为专家选择条件；通过自适应状态保留，使不同专家学习不同时间跨度；从状态动态中构造基于收敛的早退信号，实现输入自适应深度。摘要未提供状态摘要的构造方式、路由与保留的具体参数化、收敛判据及训练损失，这些实现细节尚未验证。 作者报告，在 Pile 语言建模评估中，ASSE 的困惑度为 13.04，SSM+MoE 基线为 13.38，混合 Transformer-SSM 架构为 13.21；启用早退时，以困惑度增加 0.06 为代价减少 30% 计算。在 Long Range Arena 上，作者报告平均 Accuracy 为 83.01%，Mamba 为 82.14%。作者还报告专家呈现不同时间尺度的分工，路由上下文连贯性为 73%，token-only 基线为 58%。模型规模、训练预算、数据划分、任务平均方式、连贯性定义、计算成本口径及消融与统计信息尚未验证，不能据此确认等预算优势或实际延迟收益。 平台推测（待验证）：若运行状态能稳定编码 EEG 的任务相关历史，状态条件路由与多时间尺度专家可能对应长时依赖和短暂事件并存的建模瓶颈。可复用的是路由与状态保留思想，输入编码、通道组织、任务监督和早退阈值需针对 EEG 改造；低信噪比、跨被试差异、通道变化及小数据可能导致路由不稳定或专家分工失效。一个可检验的小实验是，在固定 EEG 数据划分、训练预算与专家容量下，比较 token-only 和状态条件路由，再独立评估早退的 Accuracy—实际延迟权衡。原论文所依赖的训练规模与监督细节尚未验证，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其状态条件路由、专家时间尺度分化与早退机制能否共同改善序列建模的质量—计算权衡，但摘要中的比较协议与计算成本口径尚未验证。

5月31日周日
  1. OpenReview · Representation learning69

    用于 SMILES 与自然语言联合表示学习的双语义化学嵌入模型

    基于摘要分析。该研究针对化学领域适应预训练可能过度拟合化学语法、遗忘原有语言语义能力的问题，提出 CheMatE，在同一表示空间中联合编码 SMILES 所表达的分子结构与领域自然语言。主要研究对象是化学表示学习，而非 EEG 或 BCI。 CheMatE 以 ModernBERT 为骨干，采用顺序式两阶段训练：先进行持续掩码语言建模（MLM），再以 Multiple Negative Ranking Loss（MNRL）开展 Matryoshka 对比学习。第一阶段使用作者从 FineWeb 和 ChemPile 构建、整理的含 SMILES 标注的长上下文科学文档语料；摘要分别给出 10.4B 和 11.5B tokens 的规模，但具体组成与处理流程尚未验证。第二阶段使用从原训练语料中通过算法生成的合成 SMILES-text 配对数据，以学习分子结构与文本语境的联合表示。配对生成规则、负样本构造及 Matryoshka 的具体配置尚未验证。 作者报告，在分子性质预测与科学语言理解等下游任务上，定制语料与上述顺序训练策略产生了可迁移的表示，并相对专用化学模型和通用编码器基线取得有竞争力的表现。摘要未提供具体任务、数据划分、基线名称或指标数值，因此尚不能量化性能提升，也不能据此确认灾难性遗忘得到多大程度的缓解。实验协议、消融及统计信息尚未验证。 复现时需核对语料筛选与 SMILES 标注方式、合成配对质量、两阶段训练配置，以及原有语言能力保留的评估方法；模型权重、数据和代码的可获得性尚未验证。该方法依赖文本化分子表示及结构—语言配对监督，材料未提供其与 EEG 信号结构的具体对应关系，不据此推断 BCI 有效性或提出 EEG 复现实验。

3月14日周六
  1. OpenReview · Representation learning67

    重新思考问卷数据的表示学习

    基于摘要分析。本文研究问卷数据的表示学习，提出 SemantiQ：将问卷回答扩展为语义丰富的自然语言陈述，再编码到统一语义空间，以保留题目与选项含义，并改善样本间及特征间关系的表达。 作者将标准化、one-hot encoding 等传统处理归为下采样式表示方法，认为其表格化转换会损失语义信息；与之相对，SemantiQ 采用上采样式表示框架。这里的“上采样”指摘要所描述的语义扩展，不应理解为已确认采用样本复制或信号重采样。框架利用 retrieval-augmented generation 和大语言模型，将题目文本、选项文本及外部知识转化为自然语言陈述，随后生成语义嵌入，并通过多阶段训练和测试时训练进一步优化。具体生成约束、嵌入模型、训练目标、阶段安排及测试时更新方式尚未验证。 作者报告，在多个真实世界数据集上，SemantiQ 优于其所比较的先进基线；摘要未提供数据集名称、任务类型、划分方式、指标或提升幅度，不能据此判断优势大小及适用范围。阅读全文时需核对语义扩展、外部知识、多阶段训练与测试时训练各自的贡献，并确认检索内容、生成成本和测试时可用信息。实验协议、消融及统计信息尚未验证。 该研究的主要对象是问卷回答，而非 EEG 或其他神经信号。平台推测（待验证）：若 BCI 研究包含带题目、选项文本的状态或行为问卷，SemantiQ 的语义编码流程可能用于辅助变量表示，而不是直接替代 EEG 编码器；此假设依赖可用的问卷语义、可靠外部知识及明确的下游监督。需改造问卷表示与 EEG 特征的融合接口，并警惕小数据、跨被试差异及生成语义偏差放大噪声。可在固定的跨被试划分下，对照传统问卷编码与 SemantiQ 式语义编码，仅改变辅助表示，检验其是否改善同一 EEG 下游任务；相关 EEG 工作尚未检索确认。

3月2日周一
  1. OpenReview · State space models71

    自然语言中的状态空间建模

    基于摘要分析。该研究探索如何从非结构化文本观测中推断过程的潜在动态，提出以简洁自然语言描述潜在状态、将状态推断与预测转化为语言任务的状态空间模型。其贡献是把传统状态空间建模中的转移模型和发射模型均交由 LLM 实现，并提出受变分推断启发的后训练微调程序。 传统 HMM 等模型通过潜在状态、状态转移与观测发射描述动态过程。本文针对作者所述的结构化观测限制，以及数值状态表示的可解释性和可辨识性问题，采用语言化状态表示，并允许观测由大规模非结构化文本语料构成。语言描述使状态可以直接阅读，但是否因此获得稳定的解释或可辨识性，尚不能由摘要确认。具体推断流程、损失形式、监督来源、状态描述的约束方式及所用 LLM 尚未验证。 作者报告，在基于临床笔记的疾病进展建模、基于新闻文章的地缘政治关系建模中开展了初步实验，并认为结果显示该方法具有潜力。摘要未提供数据集名称、样本规模、划分方式、对照基线或定量指标，因此无法判断其相对传统状态空间模型的收益。实验协议、消融及统计信息尚未验证；临床笔记建模不等同于临床有效性验证。 平台推测（待验证）：假设将 EEG 特征或事件序列先转换为受约束的文本观测，这种语言化状态转移机制或可用于解释跨时间的脑状态变化。可复用的是状态描述与动态推断框架，需改造的是连续信号到文本的观测接口；其效果将依赖时间信息保真度、状态监督和数据规模。低信噪比、跨被试与通道差异、小数据微调均可能使状态描述不稳定。可检验的小实验是在固定 EEG 特征和相同数据划分下，对比传统 HMM 与语言化状态模型的下一时段预测及状态描述一致性，核对文本转换是否丢失关键动态信息。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其以自然语言表示潜在状态、以 LLM 实现转移与发射模型的建模机制，但摘要仅提供初步应用证据，状态可辨识性与预测有效性尚待核对。

1月26日周一
  1. OpenReview · Representation learning79

    多样化 NeRF 架构上的权重空间表征学习

    基于摘要分析。本文研究如何从不同架构的 Neural Radiance Fields（NeRFs）网络权重中学习统一表征，以突破既有方法依赖预先指定架构的限制。作者提出在无监督表征学习框架中训练 Graph Meta-Network，并通过对比目标获得不依赖特定架构的潜在空间，用于分类、检索和语言相关任务。 原研究对象是编码三维物体及场景形状与外观的 NeRF 权重，而非神经信号。其核心思路是将网络权重作为分析对象，利用 Graph Meta-Network 处理架构差异。摘要未说明网络到图的具体映射、节点与边特征、对比样本构造、损失形式，以及不同参数结构如何对齐，这些机制细节尚未验证。 作者报告，在涵盖 MLPs、tri-planes 和 hash tables 三类结构的 13 种 NeRF 架构实验中，该方法在涉及多架构的分类、检索和语言任务上表现稳健，包括对训练时未见架构的推理；同时达到或超过仅适用于单一架构的既有框架结果。摘要未提供具体指标、数据规模、架构划分及基线配置，因此不能量化提升或判断各任务的泛化边界。实验协议、消融及统计信息尚未验证。作者提供了代码与数据入口，但实现及复现条件尚未核验。 平台推测（待验证）：若 EEG 解码模型的权重能够形成保留任务信息且可比较的图表征，这类方法或可用于跨架构模型检索与分析；这是假设，不是本文已证实的 BCI 效果。可借鉴的是权重图表征与对比学习框架，需要改造的是 EEG 模型的图编码及对比样本构造。低信噪比、被试与通道差异、小数据训练波动，可能使表征主要反映架构或训练条件，而非任务信息。一个可证伪的小实验是在统一 EEG 数据划分和训练协议下，留出一种解码架构，检验其权重表征能否按任务检索同类模型，并与简单权重统计特征比较。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其以 Graph Meta-Network 和对比学习构建跨 NeRF 架构权重表征的机制，尤其是对训练时未见架构的泛化评估；这一能力能否迁移到 EEG 模型权重分析尚未验证。

  2. OpenReview · State space models80

    Mamba-3：利用状态空间原理改进序列建模

    基于摘要分析。该研究面向 LLM 推理中模型质量与计算、内存效率的权衡，提出 Mamba-3，以状态空间模型（SSM）原理改进线性序列模型的表达能力、状态跟踪与实际推理效率；主要研究对象是语言序列建模，而非 EEG 或 BCI。 方法包括三项核心改进：由 SSM 离散化导出的更具表达力的递推机制、支持更丰富状态跟踪的复数状态更新规则，以及多输入多输出（MIMO）形式。作者称，MIMO 能改善模型表现而不增加解码延迟，并结合其他架构调整提升检索、状态跟踪及下游语言建模能力。摘要未提供具体离散化公式、复数状态实现、训练目标或架构细节，尚不能据此确定各模块的独立贡献。 作者报告，在 1.5B 模型规模的下游任务评估中，Mamba-3 的平均 Accuracy 比次优模型 Gated DeltaNet 高 0.6 个百分点；MIMO 变体进一步提高 1.2 个百分点，合计提高 1.8 个百分点。在状态大小对比实验中，作者报告 Mamba-3 使用 Mamba-2 一半的状态大小即可获得相近困惑度。具体任务集合、数据划分、基线训练条件、延迟测试硬件与统计信息尚未验证；困惑度相近也不能直接解释为所有任务能力等价。 平台推测（待验证）：若其递推状态能保留连续信号中的任务相关历史，可能有助于 EEG 长序列或流式解码。可考虑复用递推与状态更新机制，但需将语言输入改造成多通道 EEG 表征，并重新设计监督任务和输出头；MIMO 在原文中的含义不能直接等同于 EEG 多通道输入。低信噪比、通道变化、跨被试分布差异及小数据训练可能使语言任务中的收益无法迁移。一个可检验的小实验是在固定 EEG 数据划分、输入窗口与训练预算下，对比 Mamba-2 和 Mamba-3 的任务指标、流式延迟及状态内存，并分别核对复数更新和 MIMO 的贡献。已有 EEG 相关工作尚未检索确认，复现所需代码、权重与完整实验协议也尚未验证。

    阅读价值：值得核对其 SSM 离散化、复数状态更新与 MIMO 对状态跟踪能力及解码效率的分别贡献，但摘要中的语言建模收益尚不能作为 EEG/BCI 有效性的证据。

  3. OpenReview · Representation learning74

    面向联邦多任务场景的表征学习增强

    基于摘要分析。本文研究联邦多任务学习（FMTL）中用户任务与模型结构不同、难以共享模型参数的问题，提出对比学习目标 Muscle loss，并据此构建 FedMuscle，通过学习跨任务共享表征空间支持模型与任务异构。原论文主要面向图像和语言任务，并非 EEG/BCI 研究。 核心机制：既有方法通常要求参与用户采用完全或部分同构的模型；本文将协作对象从模型参数转向表征空间。不同于通常进行两两对齐的多视图或多模型对比方法，Muscle loss 同时对齐所有参与模型的表征。作者称，最小化该损失等价于最大化所有模型表征之间的互信息，从而捕捉跨任务依赖。其具体损失形式、等价关系的成立条件、跨客户端样本对应方式及监督需求，摘要未提供，尚需全文核对。 结果与复现：作者报告，FedMuscle 在多种图像和语言任务的异构设置下持续优于所比较的先进基线，并具有通信效率优势。摘要未给出数据集名称、划分协议、基线配置、性能数值或通信开销，因此尚不能量化改进幅度；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。 平台推测（待验证）：假设跨客户端能够建立具有一致语义的表征对齐依据，该机制可能对应 EEG 联邦学习中不同设备、通道配置或任务导致的模型异构问题。可复用的是共享表征目标及异构模型协作思路；需改造 EEG 编码器、表征维度接口和任务间对齐规则。低信噪比、跨被试分布差异、小数据及不相关任务可能使强制对齐损害个性化表征。一个可证伪的小实验是在固定跨被试数据划分、客户端数据量和通信预算下，比较本地训练、两两表征对齐与 Muscle loss 的分类性能及通信开销，并核对任务差异增大时是否出现负迁移。已有 EEG 相关工作尚未检索确认，此建议不代表已证实的 BCI 效果。

    阅读价值：值得核对 Muscle loss 的多模型互信息论证及 FedMuscle 在模型与任务异构条件下的对照实验，其共享表征而非共享参数的机制具有明确研究价值，但 EEG/BCI 适用性尚未验证。