跳到正文
只看一手#开放状态未知
9月22日周五
  1. OpenReview · Representation learning62

    热点话题扩散表征学习中的舆论场效应融合

    基于摘要分析。研究关注社交网络中多个热点话题或意见领袖同时存在时，舆论中心之间对公众注意力的竞争如何影响话题扩散，提出融合舆论场效应与社交圈影响效应的异质表征学习框架，用于支持话题传播分析。 核心机制：作者将热点话题或意见领袖视为不同舆论中心，每个中心周围形成舆论场，并引入传播学中关于舆论场效应的三项观察来指导建模。摘要未列出这些观察的具体内容，也未说明场效应如何进入节点表征、异质关系如何定义，以及损失函数、训练和推理方式。链接预测与节点分类被列为节点嵌入支持的下游任务，但其是否均用于本文评估尚未验证。作者声称，据其所知，该工作首次在热点话题扩散表征学习中考虑上述效应；这一优先性判断尚未独立核实。 结果与证据边界：作者报告真实世界数据集上的广泛实验支持模型优于对照方法，但摘要未提供数据集名称、划分、基线、指标或数值，无法判断优势大小与适用条件。实验协议、消融及统计信息尚未验证；复现还需确认图构建规则、舆论中心识别方式、效应参数化与实现条件。 平台推测（待验证）：若全文提供可分离的多中心影响建模模块，可提出将其改造为 EEG 图表征中多源关系融合机制的假设。原问题依赖社交网络节点、舆论中心与社交圈关系，其监督方式和数据规模尚不明确；EEG 中对应的通道或脑区关系需重新定义，不能直接赋予舆论竞争语义。低信噪比、被试差异、通道配置变化与小数据可能使估计的中心及关系不稳定。待机制核实后，可在固定 Cross-subject 划分下，对同一 EEG 图模型比较加入与不加入该模块的结果，检验其是否优于参数量相近的对照。已有 EEG 相关工作尚未检索确认。

9月21日周四
  1. OpenReview · Representation learning79

    表征迁移在多任务模仿学习中的作用

    基于摘要分析。本文研究多任务模仿学习中，预先从源任务学习表征能否比从零训练更高效地学习新任务，并给出以源任务具有充分多样性为条件的统计保证；同时提出估计任务多样性的实用度量，以连接理论与经验分析。 理论机制是利用多样源任务训练的表征改善目标任务的样本效率。作者称，理论结果可在其所述的现实假设下扩展到 multilayer perceptrons 和 convolutional networks，但摘要未给出假设的具体内容、统计界的形式及其对任务数量、数据规模或表征容量的依赖。任务多样性度量的计算方法、训练损失与表征迁移流程尚未验证。 作者报告，在五个模拟环境中的经验分析与理论发现一致：利用更多源任务数据可以改善新任务学习的样本效率，所提出的任务多样性度量与模仿学习表现呈正相关。摘要未提供环境名称、数据划分、对照基线、具体指标或效应大小，因此不能量化相对从零训练的收益；实验协议、消融及统计信息尚未验证。相关性结果也不能直接解释为该度量对迁移收益的因果作用。 平台推测（待验证）：该机制为 EEG 小样本迁移提出一个可检验的假设——源任务覆盖的有效多样性可能比单纯增加数据量更有利于目标任务表征学习。但原研究依赖多任务模仿学习数据，不能直接等同于 EEG 分类监督。可考虑复用其多样性评估思想，需改造任务定义、EEG 编码器及目标损失；低信噪比、通道差异和被试差异可能使度量主要反映采集或个体特征，而非可迁移的任务结构。一个小实验是在固定源数据总量、被试划分和目标标注预算下，比较不同源任务组合的度量值与目标任务学习曲线，并设置从零训练对照。实施前需核对全文中的度量与理论条件；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其关于源任务多样性与目标任务样本效率的统计保证及实用度量，但该度量是否适用于 EEG 跨任务表征迁移尚未验证。

9月20日周三
  1. OpenReview · Representation learning67

    CEIR：基于概念的可解释图像表示学习

    基于摘要分析。CEIR 针对无标签表示学习中高维特征难以解释、间接评估难以验证表示合理性的问题，将图像先映射为人类可理解的概念向量，再学习潜表示，以兼顾概念归因与下游任务表现。 核心机制：作者使用结合预训练 CLIP 与 GPT-4 生成概念的 Concept-based Model（CBM），将输入图像投影到概念向量空间；随后由 Variational Autoencoder（VAE）从概念向量学习潜表示，作为最终图像表示。解释路径由图像、概念向量和潜表示构成，但概念生成与筛选方式、VAE 的具体目标、潜变量如何归因到概念，以及解释稳定性如何评估，摘要未提供，尚未验证。方法虽不依赖目标任务标签，仍借助预训练 CLIP 和 GPT-4 的语义知识，其贡献需与这些外部知识来源的作用区分。 结果与证据：作者报告在 CIFAR10、CIFAR100 和 STL10 的无监督聚类任务上达到其所称的 state-of-the-art 表现，但摘要未给出指标、数值、数据划分及对照基线，无法据此量化优势。作者还称 CEIR 能在不微调的情况下从开放世界图像提取相关概念，用于自动标签生成与标签操作；适用范围、错误类型及验证协议尚未验证。实验协议、消融及统计信息尚未验证，代码与复现配置亦无法由当前材料确认。 平台推测（待验证）：若 EEG 已有可验证的语义概念表征，可探索复用“概念向量—VAE 潜表示—概念归因”的路径，以缓解高维表示难解释的问题；图像到概念的 CLIP 映射则需替换为 EEG 适配模块，不能直接沿用。该假设依赖概念与 EEG 信号之间可靠的对应或监督，低信噪比、跨被试差异、通道变化和小样本均可能使概念归因失真。一个可证伪的小实验是在固定被试内划分下，对比 EEG 概念向量直接用于下游任务与经 VAE 压缩后的任务表现及归因稳定性，并加入概念打乱对照。已有 EEG 相关工作尚未检索确认。

  2. OpenReview · EEG72

    BELT-2：面向多任务脑解码的 EEG—语言表征自举对齐

    BELT-2 研究如何将 EEG 表征与语言表征对齐，并连接大语言模型（LLMs）以支持多任务脑解码；核心方法结合 BPE 级对齐、多任务 EEG 编码器与 prefix-tuning。基于摘要分析，未取得论文全文。 技术机制方面，作者采用 byte pair encoding（BPE）级 EEG—语言对齐，并在 EEG 领域联合进行多任务训练与解码；随后利用 EEG 编码器的中间输出，通过 prefix-tuning 连接 LLMs。该设计将 EEG 表征学习与语言生成接口结合，但摘要未说明 EEG 与 BPE 单元的对应构造、对齐损失、多任务的具体组成、LLM 型号，以及训练时哪些模块冻结或更新，相关细节尚未验证。 结果方面，作者报告在 ZuCo 数据集上获得 BLEU-1 为 52.2% 的解码结果，但摘要未提供数据划分、被试内或跨被试协议及对照基线，因此不能据此判断跨被试泛化能力。作者还报告在其他翻译基准上提升 31%–162%，但未明确基准名称、指标、对照方法及提升的计算口径，不能将其解释为准确率或百分点提升。作者声称该方法能够从非侵入式脑信号解码连贯、可读的句子，并声称相关设计具有首次性；这些主张尚需正文与既有工作核对。 复现时需核对 EEG 预处理、EEG—文本配对方式、训练与测试划分、多任务监督来源，以及文本生成阶段是否使用额外文本条件。尤其应区分 EEG 提供的信息与 LLM 语言先验对生成质量的贡献；摘要不足以确定这一贡献分解。实验协议、消融及统计信息尚未验证。摘要称代码可通过匿名链接获取，但当前材料未给出该链接，代码可访问性与复现条件尚未验证。

    阅读价值：值得阅读的具体原因是 BELT-2 将 BPE 级 EEG—语言表征对齐、多任务训练与 LLM prefix-tuning 结合，可用于考察语言先验与 EEG 表征对文本解码的各自贡献，但其评估协议与提升幅度仍需全文核对。

9月19日周二
  1. OpenReview · Representation learning79

    通过架构等变性实现可辨识表征学习

    基于摘要分析。本文研究图像与视频中可解释、可辨识的表征学习，利用数据中自然存在的等变性，使潜变量对应变换下的对象位置，并支持通过潜空间干预生成反事实场景。其主要贡献是无对象标注的对象检测、潜变量可辨识性理论，以及不同几何变换场景下的实验验证。 机制与理论：方法围绕平移、旋转和尺度等变性构建表征，即输入发生相应变换时，潜表征也按对应规律变化。作者报告证明，学习到的潜变量在允许置换及小幅位移的意义下可辨识，位移范围与模型感受野大小有关；这不等同于潜变量具有唯一且绝对精确的坐标。摘要未提供具体架构、损失函数、训练流程及理论假设，相关细节尚未验证。 实验与结论：作者在迷你台球中运动的球、环岛上行驶的汽车，以及传送带上向相机靠近的对象视频中，分别考察平移、旋转和尺度等变性。作者报告这些场景均能无监督学习变换等变表征，并通过潜空间干预实现训练分布外泛化、生成训练时未见的逼真反事实视频。摘要未给出定量指标、数据规模、划分或对照基线；实验协议、消融及统计信息尚未验证。所述工业应用面向静态相机下的检测与监控，并非 EEG 或 BCI 验证。 平台推测（待验证）：迁移假设是，若 EEG 数据中存在具有明确物理意义且保留任务语义的变换，可借鉴等变约束减少表征歧义；但图像对象位置与 EEG 潜在神经源并不直接对应。可复用的是变换与潜表征对应的设计原则，需改造输入变换、潜变量含义及观测模型。低信噪比、通道不规则、跨被试差异和小数据可能破坏等变假设。一个可证伪的小实验是在已知源位置及头模型的模拟 EEG 中施加受控源变换，比较加入等变约束与不加入约束时的源位置恢复误差及表征一致性，再检验噪声和通道扰动下是否失效；这不构成真实 BCI 有效性的证据。已有 EEG 相关工作尚未检索确认。

  2. OpenReview · Representation learning77

    基于拓扑的深度回归表征学习

    基于摘要分析。该研究关注信息瓶颈（IB）原则如何指导回归表征学习，强调回归所需的特征连续性及相对于目标的有序性不同于分类的类别分离。作者建立 IB 与特征空间拓扑的两项联系，并提出正则项 PH-Reg，旨在降低特征空间的内在维度，同时保持目标空间的拓扑。 第一项联系涉及表征复杂度：作者指出，较低的特征空间内在维度意味着较低的表征 Z 复杂度，并以给定目标 Y 时 Z 的条件熵量化这种复杂度；作者报告，该量可作为泛化误差的上界。第二项联系强调特征空间与目标空间的拓扑相似性，认为这种一致性有助于符合 IB 原则。具体的理论假设、上界形式、拓扑度量及 PH-Reg 的计算方式尚未验证，不能仅凭摘要确定其损失实现或计算成本。 作者报告，PH-Reg 在合成与真实世界回归任务中带来收益。摘要未提供任务名称、数据集、划分、对照基线或指标数值，因此无法判断收益大小及适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 连续变量回归的目标空间具有可利用的连续、有序结构，PH-Reg 可能为表征约束提供思路，而非直接用于 MI 等离散分类任务。该迁移假设依赖可靠的连续监督及目标拓扑；可尝试复用正则化思想，但需适配 EEG 编码器、目标尺度与跨被试差异。低信噪比、标签噪声、小数据或多维目标可能使拓扑估计不稳定，也可能令降维约束丢弃有效信息。一个可检验的小实验是在固定 EEG 回归模型与 Cross-subject 划分下，对比加入和不加入 PH-Reg 的回归误差与表征拓扑一致性。该实验是平台建议，并非论文已验证结果；已有 EEG 相关工作尚未检索确认。

  3. OpenReview · Representation learning68

    教师引导的图表征学习框架

    基于摘要分析。本文研究 GNNs 的无监督表征学习，提出 Teacher-guided Graph Contrastive Learning（TGCL），以教师—学生框架引入软标签，让学生通过蒸馏教师表征学习图表示，旨在改善传统图对比学习中硬标签判别的正则化。 机制与贡献：作者指出，部分 Contrastive Learning（CL）方法将图对视为同等的正样本或负样本，其目标可表述为使用硬标签的监督判别任务。研究受到监督学习中以 Bayesian 方式使用软标签可降低判别风险方差的观察启发：教师网络使用无标签图训练，学生蒸馏其产生的表征。摘要未说明软标签的具体构造、教师训练目标、蒸馏损失及图增强策略，不能据此认定 TGCL 已验证风险方差降低。 结果与证据边界：作者报告，该框架可适配现有 CL 方法，并在多种下游任务上改善性能。摘要未提供任务名称、数据集、划分、基线或指标数值，适配范围与改善幅度尚未验证；实验协议、消融及统计信息也尚未验证。 平台推测（待验证）：若 EEG 被表示为通道或功能连接图，软标签与教师表征蒸馏可能缓解二元图对关系过于粗糙的问题。可复用部分是教师—学生训练思路，需改造部分包括 EEG 图构建、时序编码及增强策略。该假设依赖足够的无标签图与可靠教师表征；低信噪比、跨被试差异、通道变化及小数据可能使教师偏差被蒸馏放大。一个可检验的小实验是在固定 EEG 图构建与 Cross-subject 划分下，对照同一图编码器的硬标签 CL 与 TGCL，保持训练数据和下游标签预算一致，比较预先指定的分类指标。已有 EEG 相关工作尚未检索确认。

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。

9月16日周六
  1. OpenReview · Representation learning73

    场景表征学习与对象表征学习的统一理论

    基于摘要分析。本文研究无监督视觉表征学习中两类问题的统一描述：将多对象场景分解为多个对象，以及将单个对象分解为位置、形状等属性。作者提出基于代数独立性的统一理论，并报告在包含多个对象的图像数据集上进行了实验验证；摘要未提供具体指标与结果幅度。 核心机制是潜在向量之间的约束与交换性。摘要引用 Ohmura et al. (2023) 的对象表征理论：学习满足代数独立性的对象间变换，使一个属性可以变化而其他属性保持不变。相较于在标量变量之间施加独立性，该理论将约束放宽到潜在向量之间。场景表征方法同样常以潜在向量表示对象，并将场景表示为多个对象表征之和；求和满足交换性。本文据此寻求覆盖对象属性分解和多对象场景分解的共同理论，而非仅提出一个新的网络结构。 需核对统一理论的形式化定义、成立条件，以及交换性在完整代数独立性约束中的作用。数据集名称、训练与推理实现、对照基线、实验协议、消融及统计信息尚未验证，因此不能据摘要判断理论的普适性或性能优势。 平台推测（待验证）：迁移假设是，若 EEG 中可识别不同因素对应的变换，且这些变换近似独立并可交换，潜在向量级约束可能有助于分离任务相关因素与干扰因素。这依赖可定义的变换及足够的数据覆盖；视觉对象与属性不能直接等同于 EEG 神经源或状态。可考虑复用潜在向量约束，但需改造 EEG 编码器、变换定义及观测模型。低信噪比、通道混合、被试差异和小样本可能破坏独立性假设。一个可检验的小实验是在固定被试内划分下，比较有无此类约束时对可控干扰的稳健性及任务信息保留程度；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：值得阅读其如何以潜在向量间的代数独立性与交换性统一场景分解和对象属性分解，但理论适用条件及实验支持范围尚需全文核对。

  2. OpenReview · Representation learning72

    作为自监督表征学习器的掩码扩散

    基于摘要分析。本文研究扩散模型的生成能力与表征学习能力之间的关系，提出 masked diffusion model（MDM），以掩码机制替代传统扩散中的加性高斯噪声，作为可扩展的自监督表征学习器。主要研究对象是医学图像与自然图像的语义分割，而非 EEG 或 BCI。 技术机制：传统去噪扩散概率模型通过加性高斯噪声构造扰动，MDM 改用掩码机制。作者据此探索生成能力与表征学习能力的关联，但摘要不足以确定掩码如何随扩散过程变化、具体预测目标、损失函数、网络结构，以及分割阶段如何使用所学表征。 结果与证据边界：作者报告，MDM 在医学图像和自然图像语义分割任务中优于既有基准，尤其在少样本场景下表现突出。摘要未提供数据集名称、少样本数量、划分协议、对照方法、指标或数值，因而无法核对优势幅度及公平比较条件。实验协议、消融及统计信息尚未验证；代码、模型权重与复现资源亦尚未验证。 平台推测（待验证）：可检验的迁移假设是，将掩码式扰动用于 EEG 自监督预训练，可能有助于学习可用于少标注任务的表征。原方法面向图像像素级语义任务，其所需数据规模与监督配置尚不明确；迁移时可借鉴掩码扰动思路，但需改造信号编码、时间或通道掩码策略及下游预测头。EEG 的低信噪比、跨被试差异、通道配置变化和小数据规模，可能使模型主要学习噪声或被试特征。一个小规模可证伪实验是：在固定 EEG 编码器、预训练数据和少标注预算下，对比掩码式与加性高斯噪声式自监督预训练，并采用严格的 Cross-subject 划分评估同一下游任务。该建议不代表已有 EEG 效果，相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读的具体原因是其以掩码机制替代传统扩散中的加性高斯噪声，探索扩散式自监督表征学习与生成能力的关系；作者报告的少样本分割优势及其对 EEG 的可迁移性仍需分别核验。

  3. OpenReview · Representation learning75

    SCoRe：面向真实世界类别不平衡场景的子模组合表征学习

    基于摘要分析。该研究针对类别不平衡条件下稀有类别特征多样性不足、类别间偏差与类别内方差问题，提出 SCoRe（Submodular Combinatorial Representation Learning）框架，以一组子模组合损失改进对比表征学习。 核心机制是利用 Submodular Information Measures 等集合函数，同时建模特征簇的多样性与协作关系。作者提出包括 Facility Location、Graph-Cut 和 Log Determinant 在内的组合目标，并指出现有对比学习方法具有子模性，或可重新表述为相应的子模形式。摘要未提供损失公式、特征集合的构造方式、监督要求、批次采样及优化细节，尚不能判断这些目标与常用对比损失的具体差异或计算开销。 作者在高度不平衡的 CIFAR-10、MedMNIST 子集上进行图像分类实验，并在 India Driving Dataset（IDD）上进行道路物体检测实验。作者报告，相对其采用的先进度量学习基线，新目标在不平衡分类任务上的提升最高为 7.6%，在物体检测任务上的提升最高为 19.4%。摘要未明确指标、相对增幅与百分点含义、具体基线及数据划分，因此这些数字不能直接解释为 Accuracy 或检测指标的百分点提升；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 少数类别也存在表征覆盖不足，集合级多样性与协作建模可能用于缓解类别不平衡，但视觉任务收益不等于 BCI 收益。可复用部分是组合损失，需核对并改造 EEG 特征相似度、集合构造和采样策略；低信噪比、跨被试差异、通道变化及小数据可能使多样性目标优先保留噪声或被试特征。一个可证伪的小实验是固定 EEG 编码器与 Cross-subject 划分，在受控类别不平衡条件下，仅替换损失并与原对比损失及类别加权基线比较 Balanced Accuracy 和少数类别召回率，报告多随机种子的波动。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 SCoRe 如何将子模集合函数转化为类别不平衡下的表征学习损失，以及其相对度量学习基线的收益是否依赖类别分布与批次构造；对 EEG 的适用性尚未验证。

8月1日周二
  1. OpenReview · Representation learning74

    用于高维数据学习的高效稀疏表示

    基于摘要分析。本文针对高维数据稀疏表示求解中迭代成本较高、收敛前迭代次数未知，以及计算过程中的稀疏率（SR）变化常被忽略的问题，提出 approximated local linear representation（ALLR）及其带对称约束的版本 ALLRSC，旨在提高表示学习的计算效率。 核心机制是在概率单纯形约束下进行局部性约束线性表示学习。ALLR 从单个局部性约束稀疏表示中获得闭式解；ALLRSC 进一步施加对称约束，以有限计算获得对称稀疏表示。作者报告，理论分析可保证表示的稀疏性与收敛性，并强调迭代过程中 SR 的持续下降具有实际意义。摘要未给出 SR 的具体定义、闭式解形式、局部性构造方式或理论保证所需假设，需通过全文核对。 作者报告，在公共数据集上的高维数据学习实验中，所提算法优于若干先进算法；但摘要未列出数据集、任务、划分、基线名称、评价指标或具体数值，不能据此判断优势幅度与适用范围。实验协议、消融及统计信息尚未验证，复现所需实现与参数设置亦尚未验证。 平台推测（待验证）：其潜在 EEG 迁移路径，是将高维试次特征作为样本，用局部线性关系构建稀疏表示，再用于分类或相似性建模；这一假设依赖特征空间中的邻域确实反映任务相关结构，已有 EEG 相关工作尚未检索确认。可复用部分是表示求解与对称约束机制，需要改造特征提取、距离度量及邻域构建。低信噪比、跨被试分布差异、通道配置变化和小样本可能使邻域失真。一个可检验的小实验是在固定 EEG 特征和被试内划分下，比较 ALLR、ALLRSC 与同条件稀疏表示基线的下游 Accuracy、求解耗时和 SR 变化，并仅用训练集确定参数与参考样本，以检验效率收益是否伴随任务性能损失。

    阅读价值：值得核对 ALLR 的闭式解与 ALLRSC 的对称约束如何降低稀疏表示计算成本，以及稀疏性、收敛性保证的适用条件；其对 EEG 数据的价值尚未验证。

7月10日周一
  1. OpenReview · Representation learning72

    电商购物行为的拓扑表征学习

    基于摘要分析。本文研究如何从客户购物行为中学习紧凑表征，以支持电商推荐相关任务；作者将产品类别层面的客户交互定义为购物轨迹，并提出端到端模型 C-STAR，为变长购物轨迹学习嵌入。 机制上，C-STAR 显式捕获轨迹分布相似性与轨迹拓扑语义，从结构和语义两个方面形成由粗到细的轨迹表征学习范式。摘要未说明拓扑的具体定义、相似性计算方式、网络结构、损失函数及训练监督，因此尚不能判断这些信息如何被联合编码，也不能将其等同于特定的图学习或拓扑数据分析算法。 作者报告，在 Amazon 私有数据和四个公开数据集上，所学嵌入对客户分群、购物轨迹补全等客户中心任务有效。公开数据集名称、划分方式、对照基线、具体指标及提升幅度均尚未验证；实验协议、消融及统计信息尚未验证，代码与数据可获得性也需核对。 平台推测（待验证）：假设 EEG 中的状态变化可被可靠离散化为变长轨迹，分布相似性与轨迹拓扑语义的联合表征可能用于研究跨被试状态序列差异。原方法依赖产品类别交互结构，但摘要未明确监督形式和数据规模；可考虑复用轨迹编码思路，而输入表示、状态定义及拓扑构造需要改造。低信噪比、被试差异、通道配置变化和小数据可能使轨迹结构不稳定。一个可检验的小实验是在固定 EEG 数据划分与状态提取流程下，对比分布表征、拓扑表征及二者联合表征的跨被试任务表现；这仅是迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注 C-STAR 如何同时编码变长轨迹的分布相似性与拓扑语义，但摘要不足以判断具体实现及其向 EEG 时序表征迁移的有效性。

5月7日周日
  1. OpenReview · Representation learning80

    面向预测任务类的表征学习博弈

    基于摘要分析。本文研究如何在已知未来预测任务先验、但输入特征向量无标签的条件下，学习降维表征。核心贡献是将表征选择、对抗性任务选择与预测建模纳入三方博弈，并分别给出线性情形的理论结果和适用于更一般函数类的近似算法。 机制上，第一方选择表征，第二方随后对抗性地选择预测任务，第三方依据表征后的特征预测响应。优化目标为 regret，即使用表征所能达到的最小预测损失，相对于使用原始特征所能达到的最小预测损失的差异；第一方与第三方希望减小该差异，第二方希望增大它。因此，该框架关注的不是重建输入，而是面对预设任务类时，压缩造成的预测能力损失。 在均方误差损失，以及表征、待预测响应和预测器均为线性函数的条件下，作者报告推导了纯策略的最优表征与混合策略的最优 regret，分别说明任务先验和随机化表征的作用。作者进一步报告，最优随机化只需有限个表征，其所需数量有精确刻画，小于输入特征维度，并可能远小于该维度。对于一般损失及更一般的表征、响应函数和预测器类，作者提出基于梯度的迭代算法，以近似最优混合表征；摘要未给出具体参数化、收敛条件或实证指标，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 特征上的未来任务可被合理限定，该框架可能用于研究降维后多任务预测信息的保留。可复用部分是任务对抗与 regret 目标；需要改造的是 EEG 特征、任务类约束及表征的采样与使用方式。风险包括低信噪比、跨被试与通道变化使任务先验失配，以及小样本导致原始特征与压缩特征的最优损失难以可靠估计。一个可检验的小实验是在固定被试内划分和降维维度下，比较确定性表征与随机化表征在预先定义的线性预测任务类上的最坏任务 regret，并以原始特征预测器作为参照。该实验仅是假设性迁移验证方案，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其以预测 regret 定义降维表征质量的三方博弈框架，尤其是任务先验与随机化表征的理论作用；其对 EEG 多任务表征的适用性尚未验证。

5月1日周一
  1. OpenReview · Representation learning71

    学习安全区域的低维表征以实现动力系统的安全强化学习

    基于摘要分析。本文研究高维非线性动力系统中的安全强化学习（SRL），提出数据驱动方法学习安全区域的低维表征，以减少构建合适简化系统模型所需的人工工作，并通过在线反馈更新表征、改善安全估计。 核心机制：摘要所述既有 SRL 框架依赖简化系统模型识别安全区域的低维表征，再向学习算法提供安全估计。本文将该表征的获取改为数据驱动学习，并引入在线适应方法，利用反馈数据更新表征。其贡献重点是安全区域的表征学习与更新，而非摘要中可确认的新强化学习策略或形式化安全证明；具体表征形式、训练目标、反馈信号及安全约束定义尚未验证。 验证与结果：作者以四旋翼为例评估安全区域低维表征的识别效果，并报告相较既有工作，所得表征更可靠、更具代表性，从而扩展 SRL 框架的适用范围。摘要未提供量化指标、数据规模或具体对照名称，实验协议、消融及统计信息尚未验证；不能据此推断具有严格安全保证或已在真实部署中验证。 平台推测（待验证）：若用于 EEG/BCI 驱动的闭环控制，可检验的假设是将该表征用于受控设备的动力学安全边界，而非直接将 EEG 状态视为安全区域。可复用的候选模块是安全表征学习与在线反馈更新，需改造的是 EEG 解码输出到控制状态的映射及反馈接口。该路径依赖可观测的系统状态、安全约束和反馈数据，所需监督形式与数据规模仍待核对；低信噪比、跨被试差异、通道变化及小数据可能使状态估计或在线更新失准。小规模实验可在同一闭环仿真任务及固定解码器下，对比冻结表征与在线更新表征，评估安全约束违反情况和任务表现。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其以数据驱动安全区域表征替代人工简化建模、并利用在线反馈更新安全估计的机制，但摘要中的四旋翼验证不足以确认其安全保证或 EEG/BCI 适用性。

4月25日周二
  1. OpenReview · Representation learning69

    表示驱动的强化学习

    基于摘要分析。本文研究强化学习中的探索与利用问题，提出表示驱动框架：以策略的预期价值估计来表示策略，并借助 contextual bandits 技术指导探索与利用。其主要贡献是将策略网络嵌入线性特征空间，从策略表示的角度重新组织探索决策。 机制上，作者将传统的探索—利用问题重述为表示—利用问题，认为良好的策略表示能够支持最优探索。摘要明确指出了策略网络、线性特征空间与预期价值估计之间的联系，但未说明特征如何构建或学习、价值估计如何更新，以及具体采用何种 contextual bandits 决策规则；这些机制细节尚未验证。 作者报告，该框架应用于进化方法和基于策略梯度的方法时，相较传统方法显著改善了性能。摘要未给出任务、环境、基线名称、评估指标或数值，因而目前不能判断增益大小、样本效率和计算成本，也不能直接比较不同应用场景。实验协议、消融及统计信息尚未验证，复现所需实现细节与代码可用性亦尚未验证。 平台推测（待验证）：若 BCI 场景涉及基于反馈选择或调整控制策略，该框架可能为策略层探索提供思路，但这不是 EEG 表征学习或 BCI 有效性的证据。迁移假设依赖可估计的策略回报及适当的线性表示；可复用的是 contextual bandits 的策略选择机制，需改造的是神经信号状态表示与反馈建模。低信噪比、跨被试差异及小数据可能使价值估计失真。一个可证伪的小实验是在固定离线 BCI 数据及同一反馈模拟协议下，对照该表示驱动选择机制与传统策略选择方法，核对累计回报及估计稳定性；其结果仅适用于该离线模拟。已有 EEG 相关工作尚未检索确认。

  2. OpenReview · Representation learning82

    干预式因果表征学习

    基于摘要分析。本文研究如何利用干预数据，从低层感知数据中识别高层潜在因果因素；核心贡献是将干预造成的潜在变量支持集几何变化用于可识别性分析，而非仅依赖观测数据及条件独立性等结构假设。 核心机制：支持集指潜在变量可能取值的集合。当潜在因素存在因果联系时，干预可以打破被干预变量的支持集与其祖先变量支持集之间的依赖。作者利用这一几何特征建立理论结果：在获得完美 do 干预数据的条件下，潜在因果因素可以被识别到置换与缩放的不确定性；在不完美干预数据条件下，可以实现块仿射识别，即估计的潜在因素仅与少数其他潜在因素发生混合。这并不等同于恢复每个因素的唯一数值表示。 作者报告，上述结果可在不假设潜在因素分布或依赖结构的情况下获得可证明的识别保证，但这不能解读为完全无条件保证。干预覆盖范围、观测映射要求、支持集条件、具体学习目标与实现，以及实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其与 EEG 的潜在对应点是区分观测相关性与可干预潜在因素，但依赖于是否能获得具有明确因果含义的干预数据。任务指令或刺激变化不能自动视为对神经潜在因素的完美 do 干预。可考虑复用支持集几何约束的思想，观测映射与干预描述则需针对 EEG 改造；低信噪比、有限样本、跨被试差异及通道混合可能使支持集估计失真。一个可证伪的小实验是在已知潜在因果结构和干预目标的模拟 EEG 混合数据中，对比仅观测数据与加入干预数据时的因素恢复，并逐步增加噪声及干预不完美程度。该实验仅检验机制假设，不构成真实 BCI 有效性的证据；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其利用干预数据的支持集几何特征建立潜在因子可识别性的理论路径，但这些保证的具体成立条件及其对 EEG 的适用性尚未验证。

1月1日周日
  1. OpenReview · EEG59

    面向自动驾驶中关键道路事件早期检测与应急响应的 EEG 信号分析

    基于摘要分析。该研究探讨能否利用驾驶员 EEG 提前识别前方车辆的切入（cut-in）事件，为自动驾驶应急响应提供信息。研究采集驾驶场景中的 EEG，通过离线分析、ERP 比较、EEG 地形图与时频分析寻找切入相关脑活动特征，并提出利用机器学习预测是否发生切入的可能性。 作者报告，离线分析发现切入事件发生前存在具有辨识性的 EEG 模式；切入与非切入驾驶情境的 ERP 波形及幅度存在显著差异，EEG 地形图呈现特定脑区活动变化，时频分析则显示切入事件伴随低于 10 Hz 的低频活动增强。摘要未给出显著性检验细节、效应量或具体脑区，相关变化与驾驶员认知、情绪响应之间的解释仍需结合全文核对。事件期间的脑活动差异也不能直接等同于事件发生前的可用预测能力。 摘要提到使用机器学习分析信号，但未明确算法、输入特征、训练方式或预测性能。被试人数、采集设备、通道配置、驾驶场景类型，以及被试内、跨被试或跨会话划分均尚未验证；实验协议、消融及统计信息尚未验证。 复现与应用评估应重点核对切入事件的时间定义、EEG 分析窗口与事件的相对关系、预处理和伪迹控制，并验证预测提前量、误报率及独立测试表现。摘要呈现的是离线脑信号分析结果，尚不能据此认定已实现在线预警、车辆闭环控制或碰撞风险降低。

  2. OpenReview · EEG66

    用于情绪识别的 EEG 模型网络剪枝压缩

    基于摘要分析。本文研究 EEG 情绪识别中模型复杂度增加与数据量不足之间的矛盾，考察网络剪枝能否降低常用 EEG 模型的资源开销，并比较剪枝后从头训练与继承权重后微调的效果。 核心方法与对照：作者将现有网络剪枝方法应用于常用 EEG 情绪识别模型。摘要未给出具体模型、剪枝算法、剪枝粒度或训练配置。作者报告，从头训练剪枝模型优于使用继承权重进行微调，并据此认为剪枝后的结构比继承权重更重要。作者进一步提出，可以跳过完整剪枝流程，直接采用预定义网络结构从头训练；该结论的适用范围与具体结构选择仍需正文核对。 结果：作者报告，在其评估的最佳情形下，相对于对应未压缩模型，模型大小减少 62.3%，计算操作量减少 64.3%，同时 Accuracy 无损失。摘要未说明这一最佳情形对应的数据集、被试数量、被试内或跨被试划分、模型与剪枝设置，也未提供 Accuracy 数值，因此不能据此判断跨被试泛化能力，或将计算操作量下降等同于实测推理延迟、能耗下降。 局限与复现条件：实验协议、消融及统计信息尚未验证。复现时应重点核对原模型与压缩模型的训练预算、从头训练与微调的比较条件、模型大小和计算操作量的计量口径，以及“无 Accuracy 损失”的波动范围。摘要未提供代码或部署测量信息，实际硬件收益尚未验证。

  3. OpenReview · Representation learning79

    基于核的非参数表示学习

    基于摘要分析。本文研究如何在神经网络之外，利用核方法从无标签数据中学习表示，提出两种使用对比损失的核自监督学习（SSL）模型，以及一种通过嵌入与重构数据学习表示的 Kernel Autoencoder（AE）。其贡献包括模型构造、适用于这些表示学习模型的新表示定理，以及泛化误差界。 技术上，作者指出，监督核机器中的经典表示定理并不总能直接用于自监督表示学习；新定理说明，所提出核模型学到的表示可以通过核矩阵表达。这为模型的理论分析与计算实现提供了依据，但摘要未给出核函数、对比样本构造、具体损失形式、优化算法或重构目标的细节，不能据此还原实现。 作者报告在小数据条件下开展了实证评估，并与基于神经网络的模型进行了比较；摘要未提供数据集、样本规模、划分方式、对照模型或数值结果，因此尚不能判断其性能优势及适用边界。实验协议、消融及统计信息尚未验证。复现前需核对正文中的核选择、超参数、计算成本及理论界成立的假设。 平台推测（待验证）：核矩阵表示与无标签学习机制可能对应 EEG 标注有限时的表示学习需求，但原领域有效不等于 BCI 有效。可复用的是核表示与 SSL／AE 框架，需要改造的是 EEG 窗口间相似性、对比样本关系或重构对象；低信噪比、跨被试差异和通道配置变化可能使核相似性偏向噪声或个体特征，核矩阵的存储与计算成本也需核对。一个可检验的假设是：在固定数据划分和标签预算下，使用训练集无标签 EEG 学习核表示，能否比同核的直接监督分类改善下游 MI 分类。可先进行小规模被试内对照，独立划分训练与测试数据，再考察跨被试稳定性；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其针对自监督表示学习重新建立的核方法表示定理与泛化误差界，以评估小数据条件下神经网络之外的表示学习路线，但具体实验效果及 EEG 适用性尚未验证。

  4. OpenReview · Representation learning80

    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，提出用于近似图 Laplacian 特征系统的优化目标及相应算法，旨在同时恢复目标特征向量与特征值，并消除既有近似方法中的特定超参数依赖。 Laplacian 表征利用状态图的谱结构构造状态编码，可用于探索、泛化、迁移，以及时间延展动作发现和奖励塑形中的内在奖励。摘要指出，既有深度学习兼容的近似目标存在超参数难以高效调节、收敛到目标特征向量的任意旋转，以及无法准确恢复对应特征值的问题。作者报告，新方法能够恢复真实特征向量和特征值，并提供理论保证；作者报告，多环境实验呈现稳健学习表现。具体目标函数、优化步骤、理论假设、环境名称、对照方法和量化指标未在摘要中给出，实验协议、消融及统计信息尚未验证。这里的“消除超参数依赖”针对既有近似方法所述问题，不应扩展理解为训练完全不需要超参数。 平台推测（待验证）：若 EEG 片段能够构成具有可信邻接关系的状态图，该谱表征机制可能用于学习保留局部结构的低维编码；原论文的研究对象仍是强化学习状态，并非 EEG 或 BCI。迁移假设依赖图结构是否反映任务相关关系，而不是被试差异、通道配置或噪声。可尝试复用谱目标与优化算法，但需改造 EEG 输入编码及图构建方式；低信噪比、跨被试分布偏移和小样本可能使图结构失真，从而限制迁移收益。 一个可检验的小实验是：在固定 EEG 预处理、图构建和被试内划分下，将该目标与既有 Laplacian 近似目标对照，先检查不同初始化下特征向量的一致性及特征值恢复误差，再评估固定下游分类器的 Accuracy；不将谱恢复改善直接等同于 BCI 性能改善。相关 EEG 工作尚未检索确认，复现所需实现与具体训练条件也尚未验证。

    阅读价值：值得核对其优化目标如何消除 Laplacian 表征的任意旋转并恢复特征值，以及理论保证的适用条件；其对 EEG 表征学习的价值尚未验证。

  5. OpenReview · Representation learning51

    语义一致的多视图表示学习

    基于摘要分析（当前材料仅含研究亮点，未取得论文全文）。该研究面向通用多视图表示学习，提出整合多源信息的框架，通过挖掘语义信息引导表示学习，并以专门的对比学习策略连接视图重建与表示学习。 机制方面，材料强调语义一致性、多源信息整合以及重建与表示学习之间的联系；另提到通过“degenerate strategy”高效整合多视图信息，但该术语的具体含义和实现尚未验证。现有材料不能确定语义信息来自标签、伪标签还是其他结构，也不能确定视图构造、样本对应关系、对比样本选择、损失形式及训练流程。 作者将有效表示学习和高效信息整合作为研究亮点，但未提供可核对的实验数值。数据集、评估任务、划分协议、对照基线、消融及统计信息尚未验证，因此无法判断语义引导或对比策略各自的贡献，也不能据此确认其优于既有方法。 平台推测（待验证）：若该框架依赖同一样本的多视图对应关系，其重建与对比学习的结合可能用于探索 EEG 不同信号表征之间的信息整合；这仅是机制层面的迁移假设，并非已证实的 BCI 效果。需先核对原方法对监督信息、视图配对和数据规模的要求，再改造 EEG 视图构造与语义约束。低信噪比、通道差异和跨被试分布变化可能使重建偏向噪声，或使一致性约束压制互补信息。取得完整方法后，可在固定的 Cross-subject 划分下比较单视图基线、无语义约束的多视图模型与完整方法，检验语义约束是否带来稳定增益。已有 EEG 相关工作尚未检索确认。

  6. OpenReview · Representation learning67

    语义一致的多视图表征学习

    基于摘要分析。本文研究 Unsupervised Multi-view Representation Learning（UMRL），目标是在无监督条件下从多个视图学习统一特征表征。作者提出 Semantically Consistent Multi-view Representation Learning（SCMRL），挖掘不同视图间的潜在语义共识，并以此引导统一表征学习，而不只在特征空间中进行约束。 核心机制包括视图内重建模块和统一特征表征学习模块，两者通过对比学习结合，同时对齐各视图特有表征与统一表征的语义标签。其方法重点是利用语义空间的共识约束特征学习。摘要未说明无监督语义标签如何生成、对比样本如何构造、损失函数形式及模块实现，这些细节尚未验证。 作者报告，在与若干 state-of-the-art 算法的比较实验中，SCMRL 表现更优；但摘要未提供数据集、任务、数据划分、基线名称或具体指标，不能据此量化增益或判断优势范围。实验协议、消融及统计信息尚未验证，复现所需的实现与配置也尚未确认。 平台推测（待验证）：若 EEG 数据可构成样本对应、语义互补的多视图，例如同一试次的不同信号表征，语义共识约束可能用于缓解视图间表征不一致。可复用的思路是重建与语义对齐的联合学习；视图构造、EEG 编码器及无监督语义标签机制则需核对和改造。该假设依赖视图间存在共享任务语义，低信噪比、通道差异及小样本可能导致错误共识，跨被试差异也可能被误当作语义结构。一个可检验的小实验是在固定被试内划分和相同 EEG 视图下，对比完整方法与移除语义对齐约束的版本，观察下游解码指标是否稳定改善。已有 EEG 相关工作尚未检索确认。

  7. OpenReview · EEG69

    你听到了吗？使用 EEGNet 检测听觉事件

    基于摘要分析。本研究针对纯音测听（PTA）依赖行为配合、部分受试者难以参与的问题，探索用 EEGNet 从 EEG 中检测纯音刺激引发的听觉事件，为基于脑信号的听阈测量提供方法依据。 研究使用在模拟纯音听力图测试过程中采集的数据训练 EEGNet。摘要将 EEGNet 描述为紧凑的卷积神经网络，并在相同任务与训练范式下训练 Support Vector Machines（SVMs）及 Common Spatial Patterns + Linear Discriminant Analysis（CSPLDA）作为对照。研究难点在于：随着刺激幅度接近个体听阈，相关神经响应更难稳定识别；传统 ERP 在成人受试者中的应用也受到限制。摘要未提供网络配置、预处理、刺激参数或具体训练细节。 作者报告，在未见过的被试上，EEGNet 检测听觉事件的 Accuracy 为 81.5%，体现了跨被试评估，而非被试内结果。作者报告其优于 SVMs，原文将优势表述为“略高于 5%”，但摘要未明确这是相对百分比还是百分点，因此不能进一步换算。EEGNet 也优于 CSPLDA，但相较这些对照的提升并非总是具有统计显著性；各评估条件与统计检验尚待全文核对。 作者对预测结果的进一步分析提示，在测试重复次数充分时，EEGNet 有望用于准确确定听阈。这是潜力判断，不能等同于已完成临床听阈测量验证，也不应将听觉事件检测 Accuracy 直接解释为听阈估计准确率。作者指出，测试设置复杂度、测试时长和准确率仍需改进。被试数量与人群特征、数据划分、重复测试与预测汇总方式、听阈误差指标、消融及统计信息尚未验证；复现时尤其应核对未见被试的划分协议，以及事件检测如何转化为听阈估计。

  8. OpenReview · State space models76

    用于语音识别的多头状态空间模型

    基于摘要分析。该研究针对语音识别中的序列建模，提出带特殊门控机制的多头状态空间模型 MH-SSM，使并行头学习局部与全局时间动态；同时提出以 MH-SSM 层增强 transformer 模块的 Stateformer。 机制与对照：MH-SSM 被设计为 transformer 编码器中多头注意力的可直接替换模块。作者报告，在 LibriSpeech 语音识别任务上，该架构显著优于 transformer transducer，但摘要未提供这一替换方案的具体分数及显著性检验细节。Stateformer 则采用增强 transformer 模块的方式，不能与完全替换注意力的方案混为一谈。门控形式、状态空间参数化、训练目标及推理实现尚未验证。 结果：作者报告，Stateformer 在不使用外部语言模型的条件下，开发集 word error rate 为 1.76%/4.37%，测试集为 1.91%/4.36%，并称其达到 LibriSpeech 任务的当时最优表现。摘要未明确两组数值对应的子集名称，因此不补写；训练数据配置、对照设置、消融及统计信息尚未验证，也不能据此推断其计算效率优势。 平台推测（待验证）：假设局部与全局时间动态的并行建模能缓解 EEG 长序列中短时事件与较长时间依赖难以兼顾的问题，可尝试复用 MH-SSM 序列模块，但需改造 EEG 通道输入与任务输出。原任务依赖语音序列及语音识别监督，其收益对训练规模的依赖尚不清楚；低信噪比、通道差异、跨被试分布变化及小数据可能使门控学到噪声或被试特异模式。一个可证伪的小实验是在同一 EEG 任务、固定跨被试划分和训练预算下，仅将基线编码器的多头注意力替换为 MH-SSM，比较预先指定的任务指标与跨被试稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：MH-SSM 通过带门控的并行状态空间头建模局部与全局时间动态，值得核对其替换及增强注意力模块的实现与对照，但语音识别收益能否迁移至 EEG 尚未验证。

  9. OpenReview · EEG72

    脑信号能否揭示与人类语言的内在对齐？

    基于摘要分析。该研究探讨 EEG 与人类语言之间的关系及依赖，提出 MTAM（Multimodal Transformer Alignment Model），在表征层面对齐两种模态，并通过 sentiment analysis 和 relation detection 检验对齐表征的下游价值。 机制方面，作者将 Canonical Correlation Analysis 与 Wasserstein Distance 等关系对齐技术用作损失函数，以变换特征并学习 EEG 与语言的协调表征。摘要未说明这些目标的具体组合、权重、模态编码方式，以及训练和推理阶段各自需要哪些输入，因此尚不能确定其收益来自何种对齐机制，也不能将结果解释为仅凭 EEG 即可解码语言。 结果方面，作者报告在 ZuCo 与 K-EmoCon 两个数据集上取得新的 SOTA：sentiment analysis 的 F1-score 在 K-EmoCon 上提升 1.7%，在 ZuCo 上提升 9.3%；relation detection 的 F1-score 在 ZuCo 上提升 7.4%。这些数值沿用摘要表述，相对提升还是绝对百分点提升尚未验证；对应基线、F1 汇总方式及被试内、跨被试或其他数据划分协议也尚未验证，不能据此直接比较不同任务或数据集的效果。 作者还通过特征分布、对齐权重和脑地形图解释性能改善，分别讨论模态关系的编码、语言语义与 EEG 频率特征的影响，以及脑区连接的可视化。上述内容属于作者提供的解释；仅凭摘要无法确认其是否支持独立的神经机制结论，脑地形图也不能单独证明功能连接。 摘要提供了代码仓库，具备进一步核对实现的入口，但代码可用性、数据预处理、同步与配对方式、实验协议、消融及统计信息尚未验证。复现时应优先核对语言单模态、EEG 单模态与多模态对齐模型的对照，以及训练测试划分和推理输入条件，以判断对齐模块的独立贡献。现有证据支持 EEG—语言多模态任务研究，尚不能外推为通用 BCI 解码能力。

    阅读价值：值得核对 MTAM 如何以 Canonical Correlation Analysis 与 Wasserstein Distance 对齐 EEG 和语言表征，以及这种对齐在不同数据划分下是否稳定改善下游任务。

  10. OpenReview · Representation learning67

    表示驱动的强化学习

    基于摘要分析。该研究关注强化学习中的探索与利用问题，提出以策略表示为核心的框架：将策略表示为其预期价值的估计，并借助 contextual bandits 技术指导探索和利用。其主要贡献是把策略网络嵌入线性特征空间，将探索—利用问题重新表述为表示—利用问题，强调策略表示质量对探索决策的作用。 机制上，框架的表示对象是策略，而摘要未将其描述为对状态或观测信号的常规表征学习。线性特征空间为引入 contextual bandits 方法提供了接口；但策略如何编码、预期价值如何估计、表示如何训练，以及具体采用何种探索规则，尚未验证。作者认为良好的策略表示能够支持最优探索，但摘要不足以核对这一主张的理论条件或适用范围。 作者报告，该框架应用于进化方法和基于策略梯度的方法时，相比传统方法获得显著性能改进。摘要未提供任务、环境、对照方法名称、指标或具体数值，因此不能据此比较改进幅度，也不能将“显著”解读为已核实的统计显著性。实验协议、消融及统计信息尚未验证，复现所需的实现细节和资源条件也尚未验证。 平台推测（待验证）：若某类 BCI 自适应系统本身具有可评估的候选策略和在线奖励反馈，该机制可能用于研究如何分配策略试验次数，而不是直接替代 EEG 解码器。该假设依赖策略价值可估计且反馈足够稳定；需改造策略表示及奖励定义，并处理 EEG 低信噪比、跨被试差异和小数据造成的价值估计不确定性。可检验的小实验是在固定离线回放或仿真环境中，以相同反馈预算比较表示驱动选择与传统策略选择，观察累计奖励及重复运行的稳定性；这不构成真实在线 BCI 有效性的证据。已有 EEG 相关工作尚未检索确认。

  11. OpenReview · Representation learning71

    通过 Motif Coarsening 学习节点表示

    基于摘要分析。本文研究如何将不同模式的 motif（图模体）融入节点级图表示学习，提出 Representation learning framework via Motif Coarsening（RMC），以联合编码不同粒度的结构信息。主要研究对象是通用图上的节点表示，而非 EEG 解码或 BCI 系统。 机制方面，RMC 包含两个并行组件：节点表示学习聚合器与基于 motif 的节点表示学习聚合器。前者通过一层图卷积网络编码低阶结构；后者使用 Motif Coarsening 将 motif 结构纳入表示学习，再通过 MotifRe-Weighting 将 motif 表示偏置地转换为基于 motif 的节点表示。摘要未说明具体 motif 模式、粗化规则、重加权公式、两路表示的融合方式或训练目标，这些实现细节尚未验证。 作者报告，在多个常用真实世界数据集的节点相关任务上，RMC 相较现有基线取得更好的表示性能；涉及的评估指标包括平均分类准确率、Micro-F1 和 Macro-F1。作者还报告，消融结果支持 Motif Coarsening 与 MotifRe-Weighting 的作用，并提示 RMC 可作为辅助框架。摘要未提供数据集名称、划分协议、基线清单、具体数值或不确定性，实验协议、消融及统计信息尚未验证，不能据此判断增益幅度或跨数据集泛化能力。 平台推测（待验证）：假设 EEG 被构造成以通道或脑区为节点的功能连接图，motif 分支可能用于补充普通邻接聚合难以显式表达的高阶关系。可复用的是双路结构编码思路；需改造或核对的是加权、带符号连接的 motif 定义、粗化后的节点对应及其与 EEG 任务监督的衔接。低信噪比、连接估计误差、跨被试差异和通道布局变化可能使 motif 不稳定，小数据也可能不足以学习可靠重加权。一个可检验的小实验是在同一 EEG 数据划分和连接构图协议下，对比低阶图卷积、加入 motif 分支及移除重加权的版本，并检验连接扰动后的性能稳定性。该方案不是本文已验证结果；已有 EEG 相关工作尚未检索确认。

    阅读价值：RMC 将低阶邻接结构与 motif 高阶结构并行纳入节点表示，值得核对其粗化和重加权机制是否提供独立于普通图卷积的增益，但其对 EEG 连接图的适用性尚未验证。

  12. OpenReview · EEG69

    用于提升耳部 EEG 脑机接口分类性能的跨域特征蒸馏框架

    基于摘要分析。研究针对 ear-EEG 中信号显著衰减与幅度失真导致的 SSVEP 分类困难，提出 cross-domain feature distillation（CD-FD）框架，通过学习与 scalp-EEG 相似的特征表征，增强耳部信号的分类能力。 核心机制是在 ear-EEG 与 scalp-EEG 两个域之间提取共享特征，借助 scalp-EEG 表征帮助识别隐藏在 ear-EEG 信号中的关键特征。其研究重点是跨域表征学习，而非仅对耳部信号直接分类。摘要未说明具体蒸馏损失、模型结构、两域样本是否同步或配对，以及训练和推理阶段各自需要哪些信号；这些信息决定方法的数据采集成本及独立 ear-EEG 部署条件，尚需核对。 作者报告，在单会话解码和会话间迁移解码（Cross-session）实验中，CD-FD 相较 EEGNet 与 canonical correlation analysis（CCA）取得了所有实验中的最佳分类结果。摘要未提供具体指标、数值、数据集、被试数或划分方式，因此目前无法量化增益，也不能将单会话解码进一步认定为某种被试内评估协议。 复现时需核对两域数据的对应关系、scalp-EEG 特征如何进入训练目标、跨会话训练与测试划分，以及推理是否仅依赖 ear-EEG。实验协议、消融及统计信息尚未验证；现有摘要支持其作为耳部 SSVEP 表征增强方案的研究价值，但不足以确认收益的稳定性或跨被试适用性。

  13. OpenReview · EEG59

    面向情感计算界面的基于变分模态分解与卷积神经网络的 EEG 情绪识别

    基于摘要分析。该研究针对 EEG 的正向、中性和负向三类情绪识别，提出两阶段变分模态分解（VMD）处理与卷积神经网络（CNN）分类流程，并比较网络深度及激活函数，以寻找适合该任务的超参数配置。 机制方面，作者提出使用两阶段 VMD 去除 EEG 中的伪迹与噪声，并将信号分解为 delta、theta、alpha、beta 和 gamma 五类脑波；随后从 1 秒脑波片段提取微分熵特征作为 CNN 输入，而非直接输入脑波。作者将这种特征输入设计用于减小 CNN 模型规模，但摘要未提供参数量或计算开销对照。研究组合了 2、5、7 层 CNN 与四种激活函数，构建十二个模型；除 ReLU 外，其余激活函数及具体网络结构尚未验证。 结果方面，作者在标准 SEED 数据库上训练并测试模型，报告 ReLU 架构在四种激活函数中取得较高的总体 Accuracy，为 90.33%。按正向、负向、中性类别的顺序，作者报告 2 层 ReLU CNN 的类别 Accuracy 分别为 100%、94.44%、78.2%，7 层 CNN 分别为 100%、94.40%、89.13%。这些数值均来自摘要所述 SEED 评估，但被试内、跨被试或跨会话协议、训练测试划分、类别指标计算方式，以及总体 Accuracy 对应的具体网络深度尚未验证，不能据此推断跨被试性能。 复现时需核对两阶段 VMD 的参数与处理顺序、频带对应方式、微分熵计算细节、1 秒片段生成及划分规则，并确认各模型是否采用一致的训练与评估条件。摘要中的类别结果提示中性情绪识别值得进一步分析，但其差异的统计可靠性及原因尚未验证；实验协议、消融及统计信息需结合全文核查。

  14. OpenReview · EEG70

    基于 EEG 双重对比学习的认知障碍诊断消歧

    基于摘要分析。该研究针对 EEG 认知障碍诊断中标签有限、稀疏且模糊的问题，提出弱监督学习框架，尝试在标签不完全可靠的条件下识别轻度认知障碍（MCI）、可能的阿尔茨海默病（AD）与正常衰老模式。核心贡献是结合双重对比学习与多层级时域–频域 EEG 编码器，学习与认知障碍相关的表征并更新模糊标签。 机制方面，编码器将 EEG 信号转换为嵌入表示，框架通过被试内和跨被试对比学习自动更新模糊标签。摘要未说明对比样本如何构造、标签更新的依据与时机、损失函数及训练流程；因此尚不能判断其如何避免将初始标签偏差强化到表征中。这里的被试内与跨被试描述的是对比学习机制，不能据此推断评估采用了被试内或跨被试划分。 作者报告在 54 名被试上验证了方法，MCI、可能的 AD 与正常衰老三组各 18 名。摘要未提供具体指标、对照基线或数据划分，因而无法量化其相对全监督学习的收益，也不能确认对未见被试的泛化能力。作者认为该方法为非理想数据来源下的认知障碍推断提供了新思路，但这不等同于已验证的临床诊断效益。 复现时需核对 EEG 采集与预处理、诊断标签来源及不确定性定义、被试级训练与测试划分、模糊标签更新是否仅作用于训练数据，以及各组成模块的贡献。实验协议、消融及统计信息尚未验证；代码与数据可用性也尚未验证。

    阅读价值：值得核对其如何通过被试内与跨被试对比学习更新模糊诊断标签，以及标签更新是否改善独立评估中的分类表现；摘要尚不足以确认其诊断效益。

  15. 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。

  16. OpenReview · EEG71

    EEG 运动想象解码：基于通道注意力机制的比较分析框架

    基于摘要分析。该研究面向 BCI 中的 EEG 运动想象解码，构建可统一集成多种通道注意力机制的轻量架构，以比较这些机制对解码性能及计算开销的影响。核心贡献是提供共同的比较框架，而非仅在复杂架构中评估一种注意力机制。 作者将通道注意力视为传统运动想象空间滤波方法的一种演进，并强调基线结构简洁、不同注意力模块易于接入。该设计有助于在相同框架条件下考察模块收益；但摘要未说明具体注意力方法、作用于原始 EEG 通道还是中间特征通道，以及网络结构、损失与训练设置，这些细节尚未验证。 作者报告在四个数据集上开展实验，框架表现出较好的有效性与跨数据集适用性，通道注意力能够在维持较小内存占用和较低计算复杂度的同时改善性能。摘要未提供数据集名称、被试数量、指标数值、计算开销测量或数据划分，因此不能量化增益，也不能把多个数据集上的有效性直接视为 Cross-dataset 迁移验证。 复现时值得核对统一基线下各注意力模块的训练与调参条件、被试内或跨被试等评估协议，以及性能增益与参数量、内存和计算成本之间的关系。实验协议、消融及统计信息尚未验证；代码与复现资源也需由全文或来源记录确认。

    阅读价值：值得阅读的具体原因是将多种通道注意力机制置于统一轻量基线中比较，有助于核对注意力本身的收益与计算开销，而非将复杂架构的整体增益归因于单一模块。

  17. OpenReview · EEG68

    基于卷积神经网络与有限元分析的 EEG 源分析

    基于摘要分析。该研究针对 EEG 源分析中逆问题不适定、神经网络训练所依赖的正向建模可能不够准确的问题，提出利用更真实的头模型生成模拟 EEG，训练 CNN 重建脑电活动，并在模拟数据和真实体感诱发电位上评估源定位。 核心机制是改进训练数据的物理建模基础：作者采用经过颅骨电导率校准、考虑白质各向异性的头模型，生成模拟 EEG 作为 CNN 的训练数据。正向问题用于由脑内源活动计算头皮电位，逆问题则从 EEG 估计源活动；本文将真实头模型与学习式逆解结合。标题涉及有限元分析，但摘要未展开其具体实现、CNN 架构、训练目标或源空间表示，相关细节尚未验证。 作者报告，在真实体感诱发电位应用中，CNN 将 P20/N20 成分定位至被试特异的 Brodmann area 3b；与 single dipole scans 和 sLORETA 比较时，呈现相近的定位表现。摘要未提供定位误差、统计检验、被试数量及具体评估划分，因此不能据此判断性能优势或跨被试泛化能力。作者还提出该方法可能定位更深部的源，但摘要未提供支持这一潜力的定量结果。 复现时需核对头模型构建与电导率校准流程、白质各向异性参数、模拟源分布及噪声设置，以及模拟数据向真实 EEG 迁移的评估方式。训练与测试是否使用同一头模型、传统逆解的比较条件、实验协议、消融及统计信息尚未验证。现有材料支持将其视为 EEG 源定位方法研究，而非已验证的 BCI 解码方案。

  18. OpenReview · State space models75

    ODE-RSSM：从不规则采样数据中学习随机循环状态空间模型

    基于摘要分析。该研究针对具有非线性和随机性的输入—输出系统，提出连续时间随机循环状态空间模型 ODE-RSSM，以解决多数离散时间 SSM 难以处理不规则采样观测的问题。其主要贡献是用 ODE-Net 描述相邻观测时点之间的潜状态演化，并通过重参数化支持不同时间跨度的 ODE 批量并行求解。 机制上，ODE-RSSM 将连续时间演化引入潜状态建模；批量求解方法受到积分上下限等价线性变换的启发，旨在提高不规则采样序列的训练效率。摘要未说明随机状态的具体分布、观测模型、损失函数及 ODE 求解器配置，这些实现条件尚未验证。 作者报告，在三个输入—输出数据集的开环预测评估中，ODE-RSSM 优于所比较的基线，包括预测时点间隔不均匀、间隔长度分布变化的情形。其中一个数据集为具有较强长期延迟和随机性的私有工业数据集 rollout。摘要未提供具体指标、数值、数据划分或基线名称，实验协议、消融及统计信息尚未验证。材料提供了代码仓库，但代码可运行性及私有数据实验的可复现性尚未验证。 平台推测（待验证）：若 EEG 任务存在采样缺失、异步多模态观测或不规则事件间隔，连续时间潜状态演化和非均匀时间跨度批量求解可能具有方法参考价值；原领域有效不等于 BCI 有效。可复用部分是时间演化与求解机制，需改造观测编码、输入—输出定义和随机状态建模以适配 EEG 通道及任务监督。低信噪比、跨被试差异、通道缺失和小数据可能使潜状态估计不稳定，连续轨迹也可能难以描述短暂事件。一个可检验的小实验是在固定被试内划分下，对同一 EEG 预测任务施加不同程度的时间点删除，比较 ODE-RSSM 与离散时间模型在相同可见观测及预测时点上的误差和运行成本。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是其面向不规则时间间隔的连续时间潜状态建模，以及非均匀时间跨度下批量 ODE 求解的重参数化机制；这些机制对缺失或异步神经信号的适用性尚未验证。

  19. OpenReview · EEG66

    解码人脑中的味觉信息：结合味觉 EEG 的时空重构数据增强方法

    基于摘要分析。本研究针对味觉感官评价的主观性与味觉 EEG 样本量有限的问题，提出味觉 EEG 采集与识别策略，结合 Temporal and Spatial Reconstruction Data Augmentation（TSRDA，时空重构数据增强）及带多视图通道注意力的卷积神经网络，识别不同味觉刺激诱发的 EEG。 方法上，研究先通过实验范式采集不同味觉刺激下的 EEG，再以 TSRDA 重构时间与空间维度的重要特征来扩充训练样本，并通过多视图通道注意力提取增强数据中的重要特征。摘要未说明时空重构的具体操作、注意力计算方式、网络结构或训练损失，这些实现细节尚未验证。 作者报告，在其不同味觉刺激 EEG 识别实验中，Accuracy 为 99.56%、F1-score 为 99.48%、Kappa 为 99.38%（均按摘要原文表示）。摘要未提供被试人数、刺激类别、样本规模、训练与测试划分，也未明确属于被试内、跨被试还是跨会话评估，因此这些结果不能直接用于判断对新被试或新会话的泛化能力。对照基线、消融及统计信息尚未验证。 作者认为该策略可为食品味觉感官评价提供客观、有效的方法；现有摘要直接支持的证据是不同味觉刺激诱发 EEG 的分类结果，尚不足以确认其对主观味觉体验、实际食品评价或应用场景的有效性。复现时需核对刺激与采集流程、预处理、TSRDA 参数，以及数据划分与增强的执行顺序，确认训练和测试数据的独立性；这些均是待核对事项，并非已发现的问题。

  20. OpenReview · EEG65

    EEG2IMAGE：从 EEG 脑信号重建图像

    基于摘要分析。EEG2IMAGE 研究如何在小规模 EEG 数据条件下，从视觉想象相关的脑信号生成图像，提出以对比学习提取 EEG 特征、再由 conditional GAN 合成图像的框架。其目标是探索 EEG 到视觉内容的映射，而非仅进行类别识别。 核心机制：摘要描述在被试被要求想象特定类别的物体和英文字母时，通过头皮 EEG 记录脑活动；随后使用对比学习提取特征，并将这些特征用于条件图像生成。作者还修改了 GAN 的训练损失，作者报告该设计能够在少量图像条件下生成 128 × 128 图像。摘要未给出对比学习的正负样本构造、监督信息、条件注入方式及修改后损失的具体形式，因此尚不能判断各模块如何保留与视觉内容相关的信息。 实验与证据：作者报告进行了消融实验及与其他先进方法的比较，并据此主张框架在小规模 EEG 数据上的有效性。摘要未提供数据集名称、被试数、样本量、被试内或跨被试评估协议、数据划分、对照方法名称及定量指标；实验协议、消融及统计信息尚未验证。128 × 128 是生成图像分辨率，不等同于重建准确度或视觉内容还原程度。 阅读与复现重点：需从全文核对采集任务中视觉刺激与想象阶段的安排、EEG 预处理、训练与测试数据的独立性，以及评价是否能区分 EEG 条件信息的贡献与生成模型本身的类别先验。复现还需确认数据可用性、模型实现及训练配置。摘要所述辅助视觉与 BCI 应用属于研究动机，不能据此认定已完成临床验证或具备实际辅助视觉能力。

10月17日周一
  1. OpenReview · State space models78

    基于模型的强化学习中深度状态空间模型的不确定性研究

    基于摘要分析。本文研究基于模型的强化学习中 Recurrent State Space Models（RSSMs）的不确定性建模与推断机制，提出 Variational Recurrent Kalman Network（VRKN），以更明确地区分偶然不确定性与认知不确定性。原论文主要研究对象是强化学习中的环境动态模型，并非 EEG 解码或 BCI。 作者报告，RSSMs 使用的次优推断方案会使模型高估真实系统的偶然不确定性，而这种高估产生的隐式正则化有助于其在基于模型的强化学习中取得效果。作者进一步提出假说：该正则化可能发挥与显式建模认知不确定性相似的作用。这一功能解释应与作者报告的高估现象区分，不能视为已普遍证实的等价关系。 VRKN 在潜在空间中使用 Kalman 更新进行精确平滑推断，并通过 Monte Carlo Dropout 建模认知不确定性。作者指出，Kalman 更新使其能够自然处理缺失观测，以及每个时间步观测数量不同的传感器融合问题。具体潜在状态假设、训练目标与平滑推断实现尚未验证。 作者报告，在需要准确刻画偶然不确定性的任务中，以 VRKN 替代 RSSM 可改善性能，而在确定性的标准基准上表现相当。摘要未提供任务名称、数据规模、评价指标或具体数值；实验协议、消融及统计信息尚未验证，不能据此推断其在所有强化学习任务中均优于 RSSM。 平台推测（待验证）：若将 EEG 建模为潜在动态过程的带噪观测，这种区分两类不确定性并处理缺失观测的机制，可能对应信号缺失或异步多模态融合问题。可考察复用潜在状态更新与不确定性建模组件，但需改造 EEG 观测编码、时间尺度及监督目标；低信噪比、跨被试分布变化、通道配置差异和小数据可能使潜在动态假设或不确定性估计失效。一个可检验的小实验是在固定被试内划分、训练数据和下游任务的条件下，比较 RSSM 与 VRKN 在逐步增加缺失时间窗时的预测误差与不确定性校准表现。原领域结果不等于 BCI 有效性，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是作者对 RSSMs 中偶然不确定性高估与隐式正则化关系的分析，以及用 VRKN 分开建模两类不确定性的替代方案；其对 EEG 缺失观测与多模态融合的价值尚未验证。

10月14日周五
  1. OpenReview · Representation learning64

    动作在视觉表征学习中的影响

    基于摘要分析。该研究探讨：在深度神经网络的视觉表征学习中，显式使用动作信息是否有益，以及动作应参与特征学习还是进入当前图像的表征。作者以感觉—运动理论为背景，将这两种作用拆为独立因素，采用 VAE、LSTM 和源自 MNIST 的数据集开展比较。 机制与对照：研究动机是，预测或对比等自监督辅助任务可能与动作有关，但模型通常并未显式使用动作本身。本文分别考察“学习视觉特征时是否使用动作”和“当前图像表征中是否整合动作”，并尽量保持其他设置简单、可比，不考虑特定动作策略。摘要未说明动作的具体定义、编码方式、VAE 与 LSTM 的组合方式，以及训练目标和推理流程，均需全文核对。 结果与证据边界：作者报告，在上述 MNIST 衍生数据和简单模型的实验背景下，将动作显式纳入学习过程及表征能够改善模型表现；摘要未提供具体指标、数值、数据划分或两个因素各自的收益。实验协议、消融及统计信息尚未验证，不能据此推断其已改善更复杂视觉任务或 EEG/BCI 性能。 平台推测（待验证）：若 EEG 数据具有与信号时间对齐的真实动作、任务事件或外部状态变化信息，可假设这类条件信息有助于学习与交互状态相关的表征。可借鉴两个因素分开比较的设计，但需将视觉编码与动作条件模块改造为适合 EEG 时序和通道结构的实现。原研究依赖可定义动作的 MNIST 衍生数据，其有效性不等同于低信噪比、跨被试或小样本 EEG 场景中的有效性；动作与脑信号失配，以及模型利用动作信息绕过脑信号，均是潜在失败风险。一个可检验的小实验是在固定 EEG 划分与下游任务下，对比是否在训练和表征中使用动作信息，并加入动作信息打乱对照。相关 EEG 工作尚未检索确认。

1月1日周六
  1. OpenReview · EEG58

    EEG-Transformer：利用 Transformer 架构的自注意力解码想象言语 EEG

    基于摘要分析。该研究探索如何利用 Transformer 架构中的自注意力模块解码想象言语与出声言语 EEG，核心思路是在基于 EEGNet 的卷积神经网络解码框架中引入自注意力，以改善分类表现并减少参数量。 方法与机制：摘要描述了基于 EEGNet 的卷积神经网络，用于提取 EEG 的时间、频谱和空间特征，并进一步应用自注意力模块。不能据此将 EEG-Transformer 理解为完整的编码器—解码器 Transformer；注意力作用于何种特征、与卷积模块如何连接，以及损失函数、训练和推理流程均尚未验证。 实验与结果：作者报告对九名被试的想象言语和出声言语 EEG 进行了分类，并认为结果支持使用注意力模块解码这两类脑活动的可行性。摘要未提供分类类别、数据划分、被试内或跨被试协议、评价指标、具体分数及参数量，因此性能提升与参数减少的幅度尚未验证，也无法比较两类任务的难度或泛化表现。 应用与复现：作者进一步提出，单通道 EEG 或 ear-EEG 可用于面向实用 BCI 的想象言语解码，但摘要未交代这一结论对应的采集配置和评估结果，尚不能据此认定其已具备实际部署能力。复现时需核对语音任务与标签定义、预处理、通道配置、训练测试划分、EEGNet 对照及注意力模块的参数统计；出声言语条件下也需核对伪迹处理，以判断模型利用的信号来源。实验协议、消融及统计信息尚未验证。