跳到正文
只看一手#提供代码链接
1月26日周一
  1. OpenReview · State space models77

    使状态空间模型在视觉任务中实现真正的全局感知

    基于摘要分析。该研究针对视觉任务中全局上下文建模缺乏严格数学定义，以及注意力计算成本与状态空间模型（SSMs）递归建模限制之间的矛盾，提出全局图像建模的数学定义和频域理论框架，并据此设计 Global-aware SSM（GSSM）与可嵌入 CNN 的 GMamba 模块。 核心机制是基于 Discrete Fourier Transform（DFT）的调制，在 SSM 前端控制其建模行为，以频域视角处理递归机制对全局感知的限制。作者称已形式化证明 GSSM 满足所提出的全局图像建模定义，并报告其计算复杂度为线性对数级。摘要未给出定义的具体条件、调制形式、训练目标及复杂度所对应的输入规模变量，因此尚不能判断该定义与常见全局感受野或全局信息交互的关系。 作者报告，在目标检测、语义分割和实例分割任务、以及多种模型架构中，GMamba 均优于现有全局建模模块；但摘要未列出数据集、划分、对照模块、评价指标或具体增益，不能据此判断优势幅度及不同协议下的可比性。作者提供了代码链接，代码完整性、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）：若 DFT 调制的全局建模机制能够适配多通道时间序列，它可能用于探索 EEG 长时程信息交互，但视觉结果不等于 BCI 有效。原方法面向图像结构，其监督方式与所需数据规模尚未明确；迁移时需改造时间与通道布局、频域调制及任务输出模块，并核对是否需要双向或完整片段输入。低信噪比、跨被试频谱差异、通道变化及小数据过拟合均可能使收益失效。可在固定 EEG 数据划分与相同训练预算下，对比基础 SSM、加入 GSSM 的版本及移除 DFT 调制的版本，检验任务指标与计算开销，并分别报告被试内和跨被试结果。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其全局建模的数学定义与 DFT 调制如何改变 SSM 的递归建模限制，但理论证明的适用条件、计算复杂度口径及视觉实验对照尚需全文核对。

  2. OpenReview · EEG78

    CodeBrain：结合解耦分词器与多尺度架构的 EEG 基础模型

    基于摘要分析。CodeBrain 针对 EEG 基础模型表征辨别力与临床可解释性不足、全局依赖捕获效率不高以及局部神经事件建模不足的问题，提出两阶段方法，将时间与频率解耦的离散分词器与多尺度 EEGSSM 架构结合。 第一阶段采用 TFDual-Tokenizer，将异质的时间与频率 EEG 信号解耦为离散 token。作者称该设计使表征空间实现二次扩展，以增强辨别能力，并通过提示表征与神经事件、频谱节律之间的潜在联系，提供领域相关的表征级可解释性。摘要未说明 token 的具体构造、码本配置、训练目标及二次扩展的定义；这些潜在联系也不能直接等同于已验证的临床解释。 第二阶段的 EEGSSM 将结构化全局卷积与滑动窗口注意力结合，以同时捕获稀疏长程依赖和局部依赖。作者以大脑小世界拓扑作为该设计的动机，但摘要不足以确认其如何映射到 EEG 通道或时间结构，也不能据此认定模型还原了真实脑网络。 作者报告，CodeBrain 在其所称的最大公开 EEG 语料上预训练，并在分布偏移条件下、覆盖八项下游任务和十个数据集的评估中表现出较强泛化能力；同时报告开展了全面消融、scaling-law 分析和可解释性评估。摘要未给出任务与数据集名称、被试数量、被试内／跨被试／跨会话／跨数据集划分、对照基线或具体指标，因此无法量化增益或比较不同协议的结果。实验协议、消融及统计信息尚未验证。 作者提供了代码与预训练权重链接，为复现提供了入口，但其可访问性与实现细节尚未核验。复现时应重点核对预训练和下游数据的划分关系、通道与采样率适配、分词器和 EEGSSM 各自的贡献，以及可解释性证据是否超出表征与节律的关联展示。

    阅读价值：值得核对其时间与频率解耦的离散表征及全局—局部依赖建模是否分别改善分布偏移下的 EEG 泛化，作者报告提供消融与可解释性评估，但具体协议和证据强度尚未验证。

12月31日周三
  1. OpenReview · State space models74

    DAMamba：具有动态自适应扫描的视觉状态空间模型

    基于摘要分析。本文研究视觉状态空间模型（SSMs）将图像块展开为序列时，手工设计扫描方式可能破坏语义空间邻接关系、限制复杂结构建模的问题，提出 Dynamic Adaptive Scan（DAS），并据此构建视觉骨干 DAMamba；主要研究对象是图像任务，而非 EEG 或 BCI。 核心机制是以数据驱动方式自适应分配扫描顺序与扫描区域，替代固定的局部或全局扫描。作者称该机制在保持线性计算复杂度与全局建模能力的同时提高建模灵活性。摘要未说明扫描分配如何学习、采用何种监督与损失、顺序选择是否可微，以及复杂度结论的具体计算范围，这些均尚未验证。 作者报告，DAMamba 在 image classification、object detection、instance segmentation 和 semantic segmentation 等任务上优于现有先进视觉 Mamba 模型，并超过部分近期先进 CNNs 与 ViTs。摘要未提供数据集、模型规模、指标数值、训练配置或具体对照，因此目前无法判断优势幅度及性能与计算开销的权衡；实验协议、消融及统计信息尚未验证。摘要表示代码将公开，不能据此确认代码已可用。 平台推测（待验证）：若 EEG 任务以具有明确电极空间关系的时空块作为输入，DAS 的自适应排序与区域分配或可用于检验固定通道序列化是否限制建模。该假设依赖可靠的电极拓扑及足够的数据来学习扫描策略；可借鉴扫描分配思想，但需改造输入表示与空间约束。低信噪比、小数据及跨被试或通道配置变化可能使扫描策略拟合噪声或被试特征。一个可证伪的小实验是在同一 EEG 数据划分、相同训练配置与近似参数预算下，对比固定拓扑扫描和自适应扫描，核对其在跨被试评估中的收益与开销。已有 EEG 相关工作尚未检索确认，视觉结果不构成 BCI 有效性的证据。

    阅读价值：值得关注其通过数据驱动的扫描顺序与区域分配缓解图像序列化中语义空间邻接关系受损的机制，但具体实现、视觉性能优势及向 EEG 的迁移价值尚需验证。

  2. OpenReview · State space models83

    通过结构化稀疏转移矩阵实现状态空间模型中的状态跟踪

    基于摘要分析。本文研究状态空间模型（SSMs）中转移矩阵的计算效率与有限状态自动机（FSA）状态跟踪表达能力之间的权衡，提出 PD-SSM，以结构化稀疏参数化降低非结构化转移矩阵的计算与存储成本，同时保留较强的状态跟踪能力；主要研究对象是通用序列建模，并非 EEG 或 BCI。 核心机制是将转移矩阵表示为列 one-hot 矩阵 P 与复数对角矩阵 D 的乘积。作者报告，这一结构使并行扫描的计算成本随状态维度线性增长，递推成本与对角 SSM 相当。理论上，作者报告模型满足有界输入有界输出（BIBO）稳定性，并可用一个维度为 N 的层及大小为 N × N 的线性读出模拟任意 N 状态 FSA；作者称该结果改善了现有结构化 SSM 的表达能力保证。稳定性条件、矩阵参数的学习方式与证明适用范围尚需核对全文。 实验方面，作者报告 PD-SSM 在多种 FSA 状态跟踪任务上显著优于多种现代 SSM 变体；在多类别时间序列分类上，表现与 neural controlled differential equations 相当。作者还将其整合进 Transformer-SSM 混合架构，报告模型能够跟踪由变长英文句子编码转移规则的复杂 FSA。摘要未提供具体数据集、划分、指标、基线名称或统计结果，实验协议、消融及统计信息尚未验证。材料提供了代码地址，但实现细节与复现条件尚未核查。 平台推测（待验证）：若 EEG 任务需要持续保留离散事件或任务阶段信息，PD-SSM 的状态跟踪机制可能成为可测试的序列模块；这一假设依赖信号中存在可识别的状态转移结构及相应监督。可复用其稀疏递推模块，但需改造 EEG 输入编码与任务读出。低信噪比、跨被试差异、通道变化及小数据可能使输入无法可靠对应离散状态，从而削弱理论表达能力的实际价值。一个小规模可证伪实验是：在固定被试内划分、相同输入编码与训练预算下，比较 PD-SSM 和对角 SSM 对 EEG 任务阶段标签序列的状态跟踪表现，并检验噪声扰动下的稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 PD-SSM 如何以结构化稀疏转移矩阵兼顾有限状态自动机的状态跟踪表达能力与递推效率，但其对 EEG 长时序建模的价值尚未验证。

  3. OpenReview · EEG67

    3D-Telepathy：从 EEG 信号重建三维物体

    基于摘要分析。该研究面向由 EEG 信号重建三维视觉刺激的问题，尝试突破既有脑活动到二维图像重建的任务范围。作者提出结合双重自注意力机制的 EEG Encoder，并利用生成先验与三维表示优化，将 EEG 表征用于三维物体生成。 技术路径上，EEG Encoder 采用包含 cross-attention、对比学习和自监督学习的混合训练策略；生成阶段以 stable diffusion 作为先验分布，通过 Variational Score Distillation 训练神经辐射场。摘要未明确双重自注意力分别作用于哪些维度，也未交代各训练目标的具体形式、跨模态对齐对象及 EEG 表征进入生成流程的方式，这些实现细节尚未验证。 作者将 EEG 噪声较强及 EEG 与三维信息配对数据稀缺列为主要挑战，并报告能够从 EEG 生成内容与结构相近的三维物体。不过，摘要未给出数据集、被试数、刺激呈现方式、数据划分、对照基线或定量指标，因此尚不能判断结果适用于被试内、跨被试还是其他评估协议，也不能据此认定模型已准确恢复三维几何。实验协议、消融及统计信息尚未验证。 复现时值得核对 EEG 信息相对于 stable diffusion 先验的实际贡献，以及内容相似性、结构一致性和三维几何质量如何分别评估；还需确认配对数据的构建方式与训练、测试划分。作者提供了代码链接，但代码完整性、数据可得性及运行条件尚未验证。摘要提出辅助沟通障碍人群的应用潜力，并未提供相应临床验证证据。

  4. OpenReview · State space models68

    基于 Alternative State Space Model 与注意力的光学多普勒断层成像稀疏重建

    基于摘要分析。本文研究光学相干多普勒断层成像（ODT）的稀疏重建，提出 Alternative State Space Attention Network（ASSAN），目标是减少重建血流图像所需的原始 A-scans，从而缓解密集采样带来的扫描时间与存储负担。主要研究对象是血流成像，而非 EEG 解码或 BCI。 ODT 的 A-scan 是一维深度分辨信号，沿 B-line 采集的 A-scans 经多普勒相位相减形成二维 B-scan。ASSAN 利用两个方向的信息分布差异：对每条 A-line 使用一维 State Space Model（SSM）学习 A-scan 内部表征，沿 B-line 使用一维门控自注意力捕获 A-scans 之间的关系；另以沿不同轴依次执行的一维卷积构成前馈网络，增强局部特征。其可核对的方法特点是按轴分配建模机制，而非对全部二维信息采用同一种算子。 作者报告，在真实动物数据的验证实验中，ASSAN 相较于其称为最先进的重建方法表现出重建有效性。摘要未给出动物数量、采样稀疏率、训练与测试划分、对照方法名称或数值指标，因此不能量化性能增益，也不能判断不同采样条件下的稳定性。实验协议、消融及统计信息尚未验证。摘要提供了源代码链接，但代码内容、数据可用性及运行条件尚未核验。 平台推测（待验证）：可迁移的假设是“依据轴向结构差异组合 SSM 与注意力”，而不是 ODT 的血流成像结论。若用于 EEG 稀疏信号重建，可尝试时间轴 SSM 与通道关系注意力，但需改造通道位置编码、缺失掩码及重建目标；EEG 通道轴并不等同于规则扫描轴，低信噪比、跨被试差异和小数据可能使该设计失效。一个可检验的小实验是在固定 EEG 数据划分与缺失通道协议下，对照纯 SSM、纯注意力及组合结构，核对重建误差与下游任务表现。已有 EEG 相关工作尚未检索确认。

  5. OpenReview · State space models72

    State-offset Tuning：面向状态空间模型的基于状态的参数高效微调

    基于摘要分析。本文研究 State Space Models（SSMs）的参数高效微调（PEFT），提出直接调整状态相关特征的 state-based methods，并引入 State-offset Tuning，在每个时间步直接影响当前状态。主要研究对象是通用 SSM 的任务适配，而非 EEG 或 BCI。 机制与对照：作者指出，SSMs 可缓解 Transformers 的二次计算成本，但常用于 Transformers 的 Prompt Tuning 和 Prefix-Tuning 在 SSMs 上表现不佳。所提方法不依赖外部提示，而是利用 SSM 的状态结构进行适配。摘要尚未说明状态偏移的参数化方式、注入位置、可训练参数范围、损失函数及训练与推理开销，不能据此判断其具体实现或性能优势来源。 证据与复现：作者报告在多种数据集上的广泛实验支持方法有效性，但摘要未提供任务、数据集名称、划分协议、基线配置或数值结果，无法量化收益。材料提供了代码地址，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）：若已有面向 EEG 序列的预训练 SSM，状态级适配可能成为跨被试或跨会话适配的一种候选机制。该假设依赖可访问的内部状态、兼容的信号输入与目标任务监督；可考虑复用状态适配模块，但需核对通道编码、采样率和序列长度的匹配。低信噪比、通道变化及小样本监督可能使状态偏移拟合噪声或被试特异模式，原领域有效不等于 BCI 有效。一个可检验的小实验是在固定 EEG 编码器和预训练 SSM 的条件下，采用一致的跨被试划分与目标被试标注预算，对比 State-offset Tuning、Prompt Tuning 和仅训练任务头，评估相同任务指标及可训练参数量。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将 SSM 的参数高效微调作用点从外部提示转向内部状态，可用于考察架构匹配的适配机制；具体效果及向 EEG 的迁移价值尚未验证。

  6. OpenReview · EEG69

    用于长序列 EEG 建模的高效自监督框架

    该研究针对 EEG 低信噪比、高被试间差异及 Transformer 长序列建模的计算开销，提出自监督框架 EEGM2，通过结合 Mamba-2 的 U 形编码器—解码器与联合 L1-spectral 损失，兼顾长程依赖建模和时频特征保留。以下基于摘要分析，未取得论文全文。 核心机制方面，摘要称 Mamba-2 的选择性信息传播机制有助于捕获长程依赖，并使框架达到线性复杂度。联合 L1-spectral 损失用于保留时间动态与频谱特征，但其具体形式、权重配置、频谱计算方式及自监督任务构造尚未验证，不能据此认定采用了掩码建模或特定重建协议。U 形结构与 Mamba-2 的具体组合方式也需查阅全文。 结果方面，作者报告 EEGM2 在短序列与长序列建模中达到领先性能，并具备较强的跨被试泛化与跨域迁移能力；同时报告内存占用降低、推理加快。摘要未提供数据集、被试数、序列长度、划分方式、基线、指标或数值，因此这些结论目前只能作为作者报告，不能量化优势，也不能将跨域迁移直接等同于跨数据集评估。实验协议、消融及统计信息尚未验证。 复现时应重点核对：线性复杂度对应的计算范围与实际序列长度；相同硬件、批量大小和精度下的内存与推理开销；跨被试评估中的预训练与下游数据划分；以及 Mamba-2 和 L1-spectral 损失各自的贡献。摘要提供了模型与代码地址，但其可访问性、配置完整性及结果可复现性尚未验证。面向资源受限 BCI 设备的适用性是作者提出的应用判断，实际设备上的延迟、内存和功耗表现仍需核对。

  7. OpenReview · EEG78

    EEG-FM-Bench：用于系统评估 EEG 基础模型的综合基准

    EEG-FM-Bench 针对 EEG 基础模型评估协议不一致、迁移效率与规模效应缺少诊断分析的问题，提出统一评估体系，将下游性能比较与梯度、表征分析结合。基于摘要分析，未取得论文全文。 基准覆盖 14 个数据集、10 种范式，纳入多种微调策略、任务组织方式和分类器配置，并提供梯度与表征分析工具。其主要贡献是评估协议与诊断框架，而非发布新的预训练模型；摘要未列出具体数据集、模型清单、被试数量及数据划分，无法判断各项比较属于被试内、跨被试、跨会话还是跨数据集协议。 作者报告，多任务学习在数据稀缺的 EEG 场景中通常可发挥正则化作用、缓解过拟合，但某些任务范式下会出现负迁移。作者还报告，重建目标与下游任务之间的梯度冲突限制了当前预训练效率。在使用已发布检查点、匹配下游评估协议的条件下，作者报告，模型规模或数据规模本身不足以充分解释迁移表现，目标对齐、适配兼容性与 EEG 专用设计似乎也是重要因素。摘要未提供具体性能指标、效应量或统计不确定性，因此这些结论不能扩展为所有 EEG 基础模型的普遍规律。 复现时需核对各模型检查点及其预训练数据覆盖、下游划分与微调预算、分类器配置，以及梯度冲突和表征分析的定义。材料提供了代码地址，但代码内容、实验协议、消融及统计信息尚未验证。该基准可作为比较 EEG 基础模型迁移表现的评估起点，其对具体 BCI 任务的适用范围仍需结合所覆盖范式与协议判断。

    阅读价值：值得阅读的具体价值在于统一 EEG 基础模型的下游评估配置，并结合梯度与表征分析检验迁移差异，而非仅按模型或预训练数据规模比较性能；协议细节与结论稳健性尚待全文核对。

  8. OpenReview · State space models73

    用于遥感变化检测的 Change State Space Model

    基于摘要分析。该研究针对遥感双时相图像变化检测，提出专门面向变化信息的 Change State Space Model：聚焦两个时相之间的相关变化、筛除无关信息，以降低模型开销并保持检测能力。研究对象是遥感图像，不是 EEG 或 BCI。 核心机制与对照：摘要将 ConvNets 的长距离依赖建模局限、ViT 的计算开销，以及已有 Vision Mamba 主要作为特征提取骨干的用法作为动机。所提方法强调直接针对变化特征设计 State Space Model，而非仅替换骨干。作者报告，聚焦变化特征能够减少网络参数并提高计算效率；但摘要未说明变化特征如何构造、筛选如何实现，也未提供损失函数、训练和推理细节。 评估证据：作者报告，在三个基准数据集的遥感变化检测评估中，该模型优于 ConvNets、ViT 和 Mamba 类对照，同时计算复杂度更低，并具有对输入退化的鲁棒性。数据集名称、数据划分、指标数值、对照配置、退化类型及强度均未在摘要中给出，实验协议、消融及统计信息尚未验证，因此不能据此量化性能提升或判断优势的适用范围。摘要称实现将在论文被接收后公开；当前接收状态与代码可用性尚未验证。 平台推测（待验证）：其“保留相关变化、抑制无关信息”的机制可能用于成对 EEG 片段的状态变化检测，但这是迁移假设。原任务依赖双时相图像及其空间对应关系，EEG 应用需重新定义时间对齐、通道对应和目标变化监督，并改造输入表示与变化筛选模块；摘要不足以确认哪些模块能直接复用。低信噪比、跨被试差异、通道变化及小数据训练可能使筛选机制误删弱任务信号，或保留伪迹变化。一个可检验的小实验是在固定被试内划分下，以同一 State Space Model 骨干比较启用与不启用变化筛选的成对 EEG 状态检测，保持训练条件一致，同时记录任务指标、参数量、运行开销与预设噪声扰动下的表现。该方向已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其面向双时相变化的 State Space Model 如何筛除无关特征，以及性能、计算开销和输入退化鲁棒性之间的权衡，但摘要尚不足以验证这些优势或其 EEG 迁移价值。

  9. OpenReview · EEG71

    mixEEG：通过定制 mixup 增强用于跨被试 EEG 分类的 EEG 联邦学习

    基于摘要分析。本文研究被试差异与数据共享限制下的跨被试 EEG 分类，提出联邦学习框架 mixEEG，通过针对 EEG 定制的 mixup 和未见被试平均数据共享，改善全局模型向目标被试的迁移。作者报告，在癫痫检测和情绪识别数据集上，该方法在不同数据集与模型架构中持续提升跨被试分类的迁移能力，但摘要未提供具体指标或增益数值。 机制上，联邦学习使分散客户端无需直接交换原始数据即可协同训练全局模型；mixEEG 进一步在域适应设置下共享未见被试的无标签平均数据，而非直接共享原始数据，并提供平均标签作为伪标签。摘要没有说明数据平均的维度与范围、mixup 的具体配对和混合方式、平均标签的来源及伪标签如何参与训练，这些实现细节尚未验证。 其研究价值在于把跨被试分布差异与联邦训练中的数据共享约束放在同一框架下处理。需要注意，该设置使用了目标未见被试的无标签平均数据，因此应按域适应协议理解，不能直接视为完全不接触目标被试数据的域泛化结果。作者称这是首次在联邦学习设置下研究跨被试 EEG 分类，该优先性主张尚未独立核实。 摘要称平均数据共享能够更好地保护隐私，但这不等同于已验证的形式化隐私保证；需结合全文核对威胁模型、共享信息及隐私评估。数据集名称、被试规模、客户端划分、目标数据使用范围、对照基线、消融及统计信息尚未验证。材料提供了代码仓库，但其可运行性、配置完整性与结果复现情况尚未验证。

    阅读价值：值得核对其针对 EEG 的 mixup 与未见被试平均数据共享机制，尤其是域适应收益、伪标签构造及隐私保护之间的权衡；摘要尚不足以验证其隐私保证与具体性能增益。

  10. OpenReview · State space models71

    用于全色锐化的监督式细节引导多尺度状态空间模型

    基于摘要分析。本文研究遥感图像全色锐化：利用全色（PAN）图像与低分辨率多光谱（LR-MS）图像重建高分辨率多光谱（HR-MS）图像。作者提出 SDMSPan，将细节引导上采样、多尺度空间—光谱监督与状态空间建模结合，以改善空间细节利用，并兼顾局部及长程依赖建模的效果与计算成本。 核心机制：SDMSPan 包含三个残差状态空间模块（Res-SSMs），分别处理三个空间尺度的图像信息；每个模块在对应尺度建模 PAN 与 LR-MS 图像之间的局部及长程依赖。相邻 Res-SSMs 之间设置细节引导上采样块（DGUB），以 PAN 图像的空间细节引导中间特征上采样；多尺度中间空间—光谱监督策略用于监督各 DGUB 的训练。摘要未给出具体监督目标、损失形式、状态空间实现及计算复杂度测量。 创新与证据：方法针对普通上采样未充分利用领域信息、多尺度空间特征利用不足，以及 CNN 局部感受野和 transformer 二次计算复杂度带来的限制。作者报告，在其全色锐化实验中，SDMSPan 的性能显著优于其他先进方法；但摘要未提供数据集、划分、对照方法、评价指标或数值，因此不能量化优势，也不能将“显著”直接视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。作者提供了代码链接，其可运行性、训练配置与结果复现条件尚未核验。 平台推测（待验证）：可迁移的机制假设是“用细节较丰富的辅助观测引导多尺度特征重建”，而非直接复用遥感全色锐化任务。原方法依赖配对且空间对应的 PAN/LR-MS 图像及重建监督；若用于 EEG 多分辨率重建，需要改造上采样与监督模块，并处理时间轴、通道拓扑及辅助观测的对应关系。低信噪比可能使伪迹被当作细节放大，跨被试差异、通道缺失和小样本也可能削弱引导效果。一个可检验的小实验是在固定被试内划分下，以高采样率 EEG 的降采样版本构造重建任务，对比普通上采样与细节引导模块，且辅助信息不得使用测试目标中不可获得的细节。该实验仅检验重建机制，不证明 BCI 解码收益；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 SDMSPan 如何结合 PAN 细节引导上采样、多尺度中间监督与状态空间建模；作者报告的性能优势尚需全文实验协议支持，其 EEG 适用性未验证。

  11. OpenReview · State space models70

    DA-Mamba：用于多模态参与度估计的对话感知选择性状态空间模型

    基于摘要分析。该研究面向对话场景中的人类参与度估计，利用面部表情、语音、手势及随时间变化的行为线索，提出 DA-Mamba，以 Mamba 选择性状态空间处理替代计算开销较高的注意力式对话编码，兼顾时序建模与跨模态推理。原论文研究对象是多模态对话参与度，而非 EEG 解码或 BCI。 架构包含三个核心模块：Dialogue-Aware Encoder、Modality-Group Fusion 和 Partner-Group Fusion，后两者均采用 Mamba。摘要提出该架构具有线性时间与内存复杂度，但未给出各模块的具体运算、对话伙伴关系的编码方式、损失函数或训练细节，因此其复杂度适用条件及关系建模机制仍需正文核对。 作者报告，在 NoXi、NoXi-Add 和 MPIIGI 三项基准上，DA-Mamba 的 concordance correlation coefficient（CCC，一致性相关系数）超过此前 SOTA 方法，同时减少训练时间和峰值内存。摘要未提供具体 CCC 数值、收益幅度、数据划分、对照方法或硬件条件，不能据此量化优势或判断跨场景泛化。更长序列处理与资源受限场景下的实时部署是作者提出的应用收益，实际延迟及部署条件尚未验证。实验协议、消融及统计信息尚未验证；摘要称源代码将公开，当前可用性未核实。 平台推测（待验证）：假设其优势来自长时序处理及模态、交互伙伴的分组融合，则可能用于同步 EEG 与行为信号的参与度估计。迁移依赖时间对齐的多模态序列、参与度监督和明确的交互伙伴结构；可考虑复用状态空间时序处理与融合思路，但需改造 EEG 输入表征、采样对齐和缺失模态处理。低信噪比、通道变化、跨被试差异及小数据训练可能使收益消失。可在固定跨被试划分和相同 EEG 输入下，小规模比较 Mamba 与注意力式时序编码器的 CCC、延迟和峰值内存，再检验分组融合的增益。上述为迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 DA-Mamba 的对话关系建模与两类融合机制能否在降低计算开销的同时保持 CCC 表现；摘要报告了三项基准结果，但具体收益、评估协议及 EEG 迁移有效性尚未验证。

  12. OpenReview · State space models69

    PhysMamba：用于远程生理测量的协同状态空间对偶模型

    基于摘要分析。PhysMamba 面向从人脸视频提取生理信号的 Remote Photoplethysmography（rPPG），旨在缓解运动伪影、光照变化和噪声造成的测量不稳定。其核心贡献是基于 Synergistic State Space Duality（SSSD）的双路径时频交互模型，将状态空间模型与注意力机制结合，并通过 Multi-Scale Query（MQ）促进信息交换和特征表征。 机制与创新：摘要明确描述了双分支框架及状态空间模型、注意力和 MQ 的协同，但未交代时域与频域表征如何构建、分支如何融合，以及损失、训练和推理流程。作者声称首次在此类双分支框架中整合状态空间模型与注意力机制，该优先性尚未独立核验。 实验与证据：作者报告，在 PURE、UBFC-rPPG 和 MMPD 上优于现有先进方法，并具有更好的准确性与泛化能力。摘要未给出具体指标、数值、数据划分或对照基线，因此不能确定优势对应被试内、跨被试还是跨数据集评估，也不能量化抗运动、抗光照变化的收益。实验协议、消融及统计信息尚未验证。材料提供了代码仓库入口，但实现完整性、环境依赖与复现结果尚未核验；远程患者照护和实时应用属于作者提出的应用方向，不等同于临床验证或已证实的实时性能。 平台推测（待验证）：假设时频交互与长序列建模能够迁移，可探索其对 EEG 非平稳信号与伪影干扰的适用性，但 rPPG 的人脸视频结构不等同于 EEG 多通道时序。可复用候选是状态空间—注意力交互及 MQ，需改造输入编码、通道组织和任务输出；低信噪比、跨被试差异、通道变化与小数据训练可能使收益消失。一个可检验的小实验是在固定跨被试 EEG 划分下，匹配训练预算比较加入与不加入 MQ 的模型，并施加一致的噪声扰动，检验收益是否稳定。已有相关 EEG 工作尚未检索确认。

  13. OpenReview · State space models71

    用于域泛化变化检测视觉问答的文本条件化状态空间模型

    基于摘要分析。本文研究遥感双时相图像的变化检测视觉问答（Change Detection Visual Question Answering，CDVQA），针对训练与测试数据分布不一致的问题，提出多模态、多域数据集 BrightVQA，以及 Text-Conditioned State Space Model（TCSSM），目标是让非专家通过问答获取地表变化信息，并改善模型的域泛化能力。 核心机制：TCSSM 联合利用双时相图像与地质灾害相关文本描述，动态预测状态空间模型中的输入依赖参数，以促进视觉数据与文本描述的对齐，并提取跨域不变特征。摘要未给出具体状态更新形式、文本编码方式、融合位置或训练损失，这些机制细节尚未验证。相较于摘要所述默认训练与测试分布相近的既有 CDVQA 方法，本文将域偏移作为明确研究问题，同时提供数据集和模型。 评估与复现：作者报告，在与先进模型的广泛实验比较中，所提方法持续取得更优表现；但摘要未提供指标、分数、域划分、数据规模或基线名称，因此无法判断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。作者表示代码和数据集将在论文接收后公开，这不代表当前已接收或资源已可用。 平台推测（待验证）：可探索的迁移机制是用任务文本或语义描述调节序列模型的输入依赖参数，对应 EEG 中任务语义与信号表征对齐、跨被试分布差异等问题；原研究依赖双时相视觉输入和相关文本，其有效性不能直接推广到 EEG。可复用的是条件化参数生成思路，需改造信号编码、通道处理与条件信息设计。低信噪比、通道差异、小数据，以及文本无法解释被试差异，都可能使该机制失效。一个可检验的小实验是在固定跨被试划分下，对比无文本条件、真实任务描述条件和打乱描述条件的状态空间模型，检验语义条件是否提供稳定增益；该实验是迁移假设，并非本文结果。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是 TCSSM 以图像和文本共同预测输入依赖参数来促进跨模态对齐的机制，以及 BrightVQA 对变化检测问答域泛化的评估设计；其性能优势与向 EEG 的迁移价值尚需验证。

  14. OpenReview · EEG68

    用于 EEG 解码的卷积保持网络

    基于摘要分析。该研究针对 Transformer EEG 解码方法未显式利用时间距离先验的问题，提出受 Retentive Network（RetNet）启发的卷积保持网络 RetEEG，将局部特征提取与带时间衰减先验的全局关联建模结合起来。 核心机制是先通过卷积模块捕获局部 EEG 特征，再串联多个双向 retention 模块学习这些特征之间的全局关联。双向 retention 模块引入时间衰减矩阵，根据 token 的相对时间距离调整依赖关系，编码“时间距离增大时依赖趋于减弱”的先验。摘要未提供衰减矩阵的具体形式、衰减参数是否可学习、模块数量及训练目标，这些实现细节尚未验证。 作者报告，在两个公开 EEG 数据集上的实验中，RetEEG 达到最先进的 EEG 解码性能；但摘要未给出数据集名称、解码任务、被试数量、被试内或跨被试等评估协议、划分方式、指标数值及对照方法，因此尚不能判断优势的幅度、统计可靠性与跨场景适用性。实验协议、消融及统计信息尚未验证，也需核对性能增益来自时间衰减先验、双向建模还是卷积特征提取。 摘要提供了代码仓库链接，可作为复现入口；代码可运行性、数据预处理、超参数和论文实验的一致性尚未验证。阅读全文时，重点可核对时间衰减先验如何与不同 EEG 任务的时间依赖相匹配，以及双向建模的推理设置是否适用于目标使用场景；不能仅据摘要将其结果扩展为在线 BCI 或跨被试泛化效果。

  15. OpenReview · Representation learning76

    SARMAE：用于合成孔径雷达（SAR）表征学习的掩码自编码器

    基于摘要分析。该研究针对合成孔径雷达（SAR）影像数据稀缺、物理散斑噪声妨碍细粒度语义表征学习的问题，提出噪声感知的自监督掩码自编码器 SARMAE，并构建带有配对光学影像的 SAR-1M 数据集以支持大规模预训练。其主要研究对象是遥感影像，而非 EEG 或 BCI。 核心机制包含两个模块：Speckle-Aware Representation Enhancement（SARE）向掩码自编码器引入 SAR 特有的散斑噪声，以学习噪声感知、稳健的表征；Semantic Anchor Representation Constraint（SARC）利用配对光学影像提供的先验对齐 SAR 特征，约束语义一致性。摘要未给出噪声注入位置与分布、掩码策略、特征对齐方式或损失形式，这些实现细节尚未验证。 作者将 SAR-1M 描述为首个百万规模 SAR 数据集，并报告 SARMAE 在多个 SAR 数据集的分类、检测和分割任务上达到最先进性能。摘要未提供具体评估数据集、划分、对照方法及指标数值，因此不能量化优势或判断各模块的独立贡献；实验协议、消融及统计信息尚未验证。作者表示代码和模型将公开，当前可用性尚未验证。 平台推测（待验证）：可迁移的假设是，将与信号来源匹配的噪声增强和配对模态语义约束结合，可能有助于低信噪比 EEG 表征学习；原方法依赖大规模 SAR 影像及配对光学先验，不能直接等同于 EEG 场景。可复用的是掩码建模与跨模态约束思路，需改造噪声模型、时序及通道编码，并明确配对信号是否提供任务相关监督。SAR 散斑与 EEG 噪声机制不同，小数据、跨被试差异和通道变化可能削弱效果，辅助模态也可能引入非任务相关信息。一个可检验的小实验是在固定跨被试划分和相同训练数据下，对照基础掩码自编码器与加入 EEG 噪声增强的版本；若有严格配对的辅助模态，再单独检验语义约束的增益。上述均为迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其将物理噪声建模与配对跨模态语义约束结合到掩码建模中的具体实现，但作者报告的 SAR 任务优势尚不能作为 EEG/BCI 迁移有效性的证据。

  16. OpenReview · State space models67

    MambaHash：用于大规模图像检索的视觉状态空间深度哈希模型

    基于摘要分析。本文研究如何将图像映射为二值哈希码，以支持大规模图像检索，并探索 Mamba 在深度图像哈希中的适用性。作者提出视觉状态空间哈希模型 MambaHash，结合分阶段骨干网络、分组 Mamba 操作、通道交互注意力和自适应特征增强模块，提升图像表示与检索能力。 核心机制是沿不同通道组执行多方向 Mamba 扫描，以建模局部和全局信息；随后通过通道交互注意力增强跨通道的信息交流，并使用自适应特征增强模块增加特征多样性。摘要以 Vision Mamba 的线性时间复杂度作为方法动机，但尚不能据此确认完整 MambaHash 的计算与存储成本。哈希码生成方式、训练损失、监督信号及各模块的具体实现尚未验证。 作者报告，在 CIFAR-10、NUS-WIDE 和 IMAGENET 三个数据集上，与先进深度哈希方法相比，MambaHash 具有较好的效率与检索性能。摘要未提供指标数值、哈希码长度、查询与检索库划分、具体基线或运行成本，因此不能量化收益或判断不同协议下的可比性。实验协议、消融及统计信息尚未验证。材料提供了源代码地址，复现时仍需核对代码版本、训练配置和评估协议。 平台推测（待验证）：其分组扫描与跨通道交互机制，可作为 EEG 片段检索中联合建模时间结构和通道关系的候选方案，但这只是迁移假设，并非已证实的 BCI 效果。原方法依赖图像空间结构，迁移需改造输入表示、扫描方向及通道分组，使其适配电极拓扑与时间轴；哈希监督也需对应明确的 EEG 检索目标。低信噪比、跨被试差异、通道配置变化和小数据训练可能使哈希码主要编码噪声或被试身份。一个可检验的小实验是在固定 EEG 数据划分、检索目标与码长下，对比普通骨干、分组 Mamba 及加入通道交互的版本，分别评估被试内与跨被试检索表现及计算成本。相关 EEG 工作尚未检索确认。

  17. OpenReview · Representation learning66

    可扩展多模态表征学习网络

    基于摘要分析。该研究针对通用多模态表征学习中的高阶信息保持与样本外泛化问题，提出学习模态特定投影矩阵的框架，将多模态特征映射到共享表征空间，并联合进行自适应特征选择与局部几何结构保持。 核心机制包括三个环节：首先，以权重引导的模态级度量和行稀疏性驱动的特征级度量，实现从原始数据出发的分层特征选择；其次，在统一潜在表征空间中使用超图嵌入，保持各模态高维空间中的高阶局部几何结构；最后，设计受近端算子启发的网络架构求解优化目标，将特征自动加权选择与表征学习结合。摘要未提供具体损失形式、超图构建规则或网络结构，这些细节尚未验证。 作者报告，实验显示所提方法有效且优于比较方法，并通过样本外数据的在线测试展示泛化能力。但摘要未列出数据集、样本规模、划分方式、对照基线或量化指标，因此无法判断优势幅度及其适用边界。“在线测试”也不能据此解释为测试时自适应。实验协议、消融及统计信息尚未验证。作者提供了公开代码链接，但实现内容与复现条件尚未核对。 平台推测（待验证）：若不同模态具有可对齐的样本及可靠的局部邻域，该框架的模态加权与特征稀疏选择可能用于筛选 EEG 与其他同步信号的互补信息，超图则可能表达多样本间的高阶关系；这是假设，不是已验证的 BCI 结果。可复用的是共享投影、加权选择和超图嵌入思路，需改造的是神经信号特征提取、时序对齐及邻域构建。低信噪比、被试差异、通道不一致和小样本可能使邻域失真或权重估计不稳定。一个可检验的小实验是在具有配对模态的数据上固定跨被试划分，比较完整方法与移除超图、移除分层选择的版本，并核对预处理及图构建是否仅使用协议允许的数据。已有 EEG 相关工作尚未检索确认。

  18. OpenReview · State space models67

    用于遥感分类的差异注意力感知状态空间融合模型

    基于摘要分析。该研究面向多光谱（MS）与全色（PAN）遥感图像分类，针对两类图像描述同一地表而存在特征冗余的问题，提出 DASF-Model：先分离跨模态共有特征与各模态的优势特征，再融合分离后语义差异较大的表示。其主要研究对象是遥感图像，而非 EEG 或 BCI。 机制方面，作者基于选择性状态空间模型（SSM）设计跨模态差异注意力模块（CDAM），用于提取和分离 MS、PAN 的共有特征及各自优势特征。空间保持 Visual Mamba（SPVM）通过调整 Visual Mamba 的输入保留图像空间特征并捕获局部特征；摘要未交代具体输入组织方式。针对特征分离后传统均值融合难以整合语义差异的问题，注意力感知线性融合模块（ALFM）通过计算影响系数进行逐像素线性融合，并保持特征尺寸不变。损失函数、训练策略及模块实现细节尚未验证。 作者报告该方法在实证评估中优于替代方法，但摘要未提供数据集、划分协议、对照名称、指标或数值，无法据此判断收益大小或比较公平性。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，但代码内容、运行条件与结果可复现性尚未验证。 平台推测（待验证）：若用于具有时间对齐关系的多模态神经信号，分离共有与模态特有信息的思路可能对应融合冗余问题；这仅是假设，遥感有效不等于 BCI 有效。可考察 CDAM 与 ALFM 的融合思路，但 SPVM 的图像空间输入和逐像素融合需改造成符合信号时间、通道及采样关系的表示。低信噪比、跨被试变化、通道不匹配及小数据可能使特征分离不稳定。一个可证伪的小实验是在同一对齐多模态数据、相同被试划分及固定编码器条件下，比较均值融合、仅 ALFM 和 CDAM＋ALFM，并检验加入单模态噪声后收益是否保持。已有 EEG 相关工作尚未检索确认。

  19. OpenReview · State space models70

    NDMamba：用于夜间图像去雨的双先验状态空间模型

    基于摘要分析。NDMamba 面向夜间图像去雨中计算效率与恢复质量的权衡，以及低照度条件下雨线与照明交互建模不足的问题，提出由照明和雨分布双先验引导的状态空间模型。 机制上，作者借鉴 Retinex 理论，以场景反射分量影响雨线分布为出发点，设计 Prior Extraction Module（PEM），联合建模照明条件与雨退化。Prior-Guided Mamba Block（PGMB）包含引入照明先验的 Lighting-Adaptive Vision State-Space Module（LVSSM），以及用于细化局部特征的 Rain Distribution Guidance Module（RDGM）。摘要未说明先验的具体计算方式、注入位置、损失函数或训练流程，尚不能判断各模块贡献及额外计算开销。 作者报告，NDMamba 在合成与真实场景基准数据集上优于现有先进方法；但摘要未给出数据集名称、划分、对照方法、恢复质量指标或效率测量条件，因此无法核对优势幅度及比较前提。实验协议、消融及统计信息尚未验证。摘要提供了公开代码地址，但代码可用性、训练配置与复现依赖尚未核验。 平台推测（待验证）：可借鉴的是“以退化先验引导状态空间特征处理”的思路，而非直接将照明和雨分布先验用于 EEG。假设能够从 EEG 构造可靠的通道质量或伪迹先验，可探索其是否改善低信噪比条件下的表征；这需要改造先验提取及其与时间、通道结构的结合方式。图像反射与照明分解不等同于 EEG 信号与伪迹分离，先验误差、跨被试和通道差异、小数据过拟合均可能使迁移失败。一个可证伪的小实验是在固定跨被试划分、相同训练预算下，对比无先验、质量先验及打乱先验的状态空间模型，检查先验收益是否稳定且超过额外复杂度带来的收益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对双先验如何参与状态空间建模及其效率—恢复质量权衡，但摘要中的优势尚缺具体指标与协议支撑，不能直接推导为 EEG/BCI 收益。

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。

9月23日周二
  1. OpenReview · EEG72

    用于 EEG 癫痫发作检测的计算高效且具泛化能力的机器学习算法

    基于摘要分析。该研究针对头皮 EEG 自动癫痫发作检测中计算效率、预测性能与患者间泛化难以兼顾的问题，比较 ROCKET 框架及相关时间序列分类方法，并通过独立数据集评估泛化能力。研究对象是癫痫发作检测，而非 BCI 控制或运动想象解码。 方法方面，摘要列出的框架包括 Detach-ROCKET、Detach Ensemble、基于 STFT 的特征变换、catch22 特征及 EEGNet。模型在 TUSZ 上训练，并在 TUSZ 与独立 Siena 数据集上评估，以考察跨被试和跨数据集泛化。摘要未说明各方法的具体实现、特征组合、训练目标及超参数，因此无法进一步确认 Detach Ensemble 的集成机制或各模块的贡献。 作者报告，Detach Ensemble 在 TUSZ 评估中的事件级 F1 中位数为 0.89，在独立 Siena 跨数据集评估中为 0.53，并称其保持较低误报率与较高计算效率。摘要未提供误报率数值、计算耗时、硬件条件或其他方法的具体结果。两种评估背景不同，不能将这些分数视为同一协议下的直接对照；跨数据集结果也提示，应进一步核对域变化下的性能稳定性。 复现时需核对患者划分、预处理与通道配置、事件匹配规则、检测阈值、F1 中位数的汇总单位，以及计算效率和误报率的度量方式。实验协议、消融及统计信息尚未验证。摘要提供了实现仓库，但代码内容、依赖与复现完整性尚未核验。作者认为 ROCKET 系列方法具有实际临床部署潜力；这一结论仍需结合全文评估与临床场景验证，不能仅凭摘要中的离线结果认定可部署。

    阅读价值：值得核对其 ROCKET 系列方法在癫痫发作检测中的计算效率与泛化权衡，尤其是独立 Siena 数据集上的事件级 F1 及误报评估，但临床部署可行性尚未验证。

9月19日周五
  1. OpenReview · State space models83

    利用结构化稀疏转移矩阵实现状态空间模型中的状态追踪

    基于摘要分析。本文研究状态空间模型（SSMs）中结构化转移矩阵的计算效率与有限状态自动机（FSA）模拟能力之间的权衡，提出 PD-SSM：用列 one-hot 矩阵 P 与复数对角矩阵 D 的乘积参数化转移矩阵，以低成本递推支持更强的状态追踪。主要研究对象是通用序列建模与 FSA 状态追踪，并非 EEG/BCI。 核心机制是通过 P 表达稀疏状态路由、通过 D 提供对角变换，避免使用高成本的非结构化转移矩阵。作者报告，平行扫描的计算成本随状态维度线性增长，递推成本与对角 SSMs 相当。理论上，作者报告模型具有 BIBO（有界输入—有界输出）稳定性，并可用一个维度为 N 的单层模型及 N×N 线性读出模拟任意 N 状态 FSA，达到其所述的最优状态维度与深度。需注意，递推的线性成本不等于读出及完整模型的全部成本均为线性；具体理论条件与证明尚需全文核对。 实验方面，作者报告 PD-SSM 在多种 FSA 状态追踪任务中显著优于多种现代 SSM 变体，在多变量时间序列分类中优于 neural controlled differential equations；将其嵌入混合 Transformer-SSM 架构后，还能追踪转移由变长英文句子集合编码的复杂 FSA。摘要未提供数据集、划分、具体基线、指标或分数，实验协议、消融及统计信息尚未验证，不能据此判断真实时序任务中的优势幅度或稳定性。作者提供了代码链接，但实现、运行配置与复现结果尚未核验。 平台推测（待验证）：假设 EEG 任务包含可由序列转移描述的潜在状态，PD-SSM 的状态路由机制可能用于检验时序记忆瓶颈，而非直接解决信号去噪或跨被试域偏移。可复用其递推模块，但需改造 EEG 输入编码与任务读出；FSA 理论保证不能直接覆盖连续、低信噪比的神经信号，通道变化、被试差异和小数据训练也可能削弱收益。一个可证伪的小实验是在固定 EEG 编码器、匹配状态维度与训练预算的条件下，对比 PD-SSM 与对角 SSM，并分别报告被试内和跨被试表现、计算开销及噪声敏感性。已有相关 EEG 工作尚未检索确认。

    阅读价值：值得核对 PD-SSM 如何以结构化稀疏转移兼顾 FSA 状态追踪表达能力与递推效率，以及其理论保证能否转化为真实多变量时序任务的收益；EEG/BCI 适用性尚未验证。

  2. OpenReview · EEG80

    BrainOmni：统一 EEG 与 MEG 信号的脑基础模型

    基于摘要分析。该研究针对 EEG 与 MEG 信号模式不同、传感器配置随模态和设备变化，以及现有模型通常依赖特定模态或数据集的问题，提出 BrainOmni，通过离散化脑信号表征与自监督预训练学习统一语义嵌入。其主要研究对象是异构 EEG 与 MEG 记录的统一建模，不能据此直接认定已验证在线 BCI 性能。 核心机制是 BrainTokenizer，将时空脑活动量化为离散表征。其中的 Sensor Encoder 编码传感器空间布局、方向和类型等属性，以支持不同设备与模态的数据接入；BrainOmni 再基于这些离散表征开展自监督预训练。摘要未说明量化方法、预训练目标、网络结构，以及传感器属性与信号特征的具体融合方式，这些实现细节尚未验证。作者将同时支持 EEG 与 MEG、纳入大规模 MEG 预训练等表述为首次贡献，其优先性尚未独立检索确认。 作者报告，预训练数据由公开来源整理并标准化，包括 1,997 小时 EEG 和 656 小时 MEG。作者报告，在一系列下游任务中，BrainOmni 优于已有基础模型和先进任务专用模型，并能泛化到未见过的 EEG 与 MEG 设备；联合 EEG-MEG（EMEG）训练在两种模态上均带来一致改善。摘要未提供具体任务、数据集、被试数量、划分方式、指标或提升幅度，因此无法判断这些结论对应被试内、跨被试、跨会话还是跨数据集评估，也不能直接比较不同协议下的效果。 复现时应重点核对预训练与下游数据的隔离方式、未见设备的定义、传感器元数据要求，以及联合训练相对单模态训练的对照条件。实验协议、消融及统计信息尚未验证。摘要提供了代码与检查点的公开地址，但其可用性、数据处理流程和复现完整性尚未核验。

    阅读价值：值得核对 BrainTokenizer 如何利用传感器属性统一 EEG 与 MEG 表征，以及联合预训练对未见设备的泛化收益；摘要报告了积极结果，但具体评估协议与收益幅度尚未验证。

  3. OpenReview · Representation learning75

    基于测度论的反因果表示学习

    基于摘要分析。本文研究标签导致特征、而非特征导致标签的反因果表示学习问题，提出测度论框架 Anti-Causal Invariant Abstractions（ACIA），旨在学习能跨环境变化保持稳定的表示，并为分布外泛化提供理论保证。 核心机制是两级表示：低层表示刻画标签如何生成观测，高层表示学习环境特异变化下的稳定因果模式。作者称，ACIA 通过干预核容纳完美与不完美干预，不依赖显式因果结构，并可处理高维数据。摘要未给出两级表示的具体实现、优化目标、训练流程，以及干预核所需的监督和环境信息，这些条件尚未验证。 作者报告，在合成数据和真实医学数据上的实验中，ACIA 在 Accuracy 与不变性指标方面优于其所比较的方法；但摘要未提供数据集名称、划分协议、基线、指标定义或具体数值，无法判断优势大小及适用范围。作者还报告训练环境与未见环境之间性能差距的紧界，其成立假设、界的形式及与实验的对应关系需查阅全文。实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但代码内容、运行条件和结果可复现性尚未核验。 平台推测（待验证）：若 EEG 任务可合理建模为任务标签影响观测信号，而被试或会话引入环境变化，ACIA 的低层生成关系与高层不变性设计可能对应跨被试、跨会话分布偏移。该迁移依赖反因果假设及环境信息是否成立；可研究复用两级抽象和干预核思想，但 EEG 时序编码、通道对齐及环境定义需改造。低信噪比、小样本和被试生理差异可能使稳定因素难以识别，或使不变性约束压制有效判别信息。一个可检验的小实验是在同一 EEG 数据集固定跨被试划分与编码器，比较加入 ACIA 机制前后的留出被试 Accuracy 及预先定义的不变性指标，所有模型选择仅使用训练被试。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 ACIA 如何通过干预核与两级表示定义跨环境不变性，以及其泛化界的适用假设；这些机制为 EEG 域泛化提供了可研究的思路，但迁移有效性尚未验证。

  4. OpenReview · Representation learning78

    Latent Zoning Network：生成建模、表征学习与分类的统一原则

    基于摘要分析。该研究面向通用机器学习中的生成建模、表征学习与分类，提出 Latent Zoning Network（LZN），尝试以共享高斯潜空间及编码器—解码器组合统一三类任务；摘要中的实验证据来自图像任务，并非 EEG 或 BCI 验证。 核心机制是为不同数据类型（如图像、文本、标签）配置编码器和解码器，将样本映射至互不相交的潜空间区域，再从潜变量还原数据。任务由模块组合表达：标签编码器与图像解码器实现标签条件图像生成，图像编码器提供表征，图像编码器与标签解码器实现分类。摘要未说明分区构造、具体训练损失及共享高斯空间的约束方式，不能据此认定所有任务均采用同一训练目标。 作者报告，在 CIFAR10 图像生成实验中，将 LZN 与 Rectified Flow 结合且不修改训练目标，FID 从 2.76 降至 2.59。作者报告，LZN 可在不使用辅助损失函数的情况下实现无监督表征学习，在 ImageNet 下游线性分类中相对 MoCo 和 SimCLR 分别提升 9.3% 与 0.2%；摘要未明确这些百分数是相对增幅还是百分点差，也未给出具体分类指标及完整评估协议。作者还报告，图像与标签编码器、解码器可联合完成生成和分类，在 CIFAR10 上改善 FID 并达到其所称的 SoTA 分类 Accuracy，但未提供具体数值。实验协议、消融及统计信息尚未验证。摘要提供代码及训练模型地址，其可用性与复现条件尚未核查。 平台推测（待验证）：假设潜空间分区能够保留 EEG 的任务信息，该组合原则可能用于连接 EEG 表征学习、标签预测与条件生成；可复用的是潜空间组织与模块组合思路，需改造的是时序信号编码、解码及通道处理。原文涉及无监督表征学习和带标签任务，但各阶段的数据规模与监督依赖尚未验证。低信噪比、被试差异、通道变化及小数据可能使分区更多反映干扰因素而非任务类别。一个可证伪的小实验是在固定 Cross-subject 划分和相同编码器预算下，对比 LZN 与常规表征学习基线的线性分类 Accuracy，并控制潜空间分区条件，检验增益是否依赖该机制。已有 EEG 相关工作尚未检索确认。

    阅读价值：LZN 将生成、表征学习与分类组织为共享潜空间中的编码器—解码器组合，值得核对其潜空间分区机制及无辅助损失的训练条件，但摘要中的性能增益仍需结合完整协议验证。

  5. 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。

  6. OpenReview · Representation learning72

    用于兼容表征学习的 λ-Orthogonality 正则化

    基于摘要分析。该研究针对检索系统中独立训练或更新后的模型表征不兼容问题，提出 λ-Orthogonality 正则化：在学习仿射变换时施加放松的正交约束，使新模型的潜在空间能够适配旧模型及下游分布，同时尽量保留新模型学到的表征结构。 其机制着眼于两类映射的权衡：仿射变换具有分布适配能力，但可能显著改变原表征；正交变换保留原有几何结构，却受到严格约束、适配能力有限。作者通过放松正交约束连接二者。摘要未给出正则项的数学形式、λ 的定义与选取方式、映射训练所需的监督信号，以及基础模型是否冻结，均需核对正文。 作者报告，在多种架构和数据集上的实验中，该方法保留了模型的零样本性能，并实现模型更新之间的兼容性。摘要未提供具体数据集、划分、对照基线、指标或数值，因此尚不能量化兼容性收益与原表征性能之间的权衡；实验协议、消融及统计信息尚未验证。材料提供了代码仓库地址，但实现细节和复现条件尚未核验。 平台推测（待验证）：假设 EEG 编码器更新后仍需与既有特征库或分类器兼容，可尝试复用这一受约束的映射机制；但检索表征的几何结构不一定适用于 EEG。需核对方法是否依赖成对的新旧模型表征、标签或大规模适配数据，并改造输入与适配协议。低信噪比、跨被试漂移、通道配置变化及小样本可能使映射拟合不稳定，或使几何保持与任务判别性发生冲突。一个可证伪的小实验是：用同一批训练 EEG 构建新旧编码器的配对表征，在严格隔离的跨会话测试集上，对比无映射、仿射映射、正交映射与该正则化映射接入旧分类器后的 Accuracy，并同时检查新编码器自身任务性能是否下降。已有 EEG 相关工作尚未检索确认。

    阅读价值：该研究以放松正交约束的仿射映射协调分布适配与表征结构保持，值得核对其在模型更新兼容性和零样本性能之间的权衡，但具体实验协议与效果尚未验证。

  7. OpenReview · State space models78

    STree：面向混合状态空间模型的推测树解码

    基于摘要分析。该研究针对状态空间模型（SSMs）及 SSM–Transformer 混合架构的自回归生成效率，提出 STree，通过利用累积状态转移矩阵的结构，支持树状候选序列的推测解码与验证，并提供硬件感知实现。 推测解码借助硬件并行性，在一次前向计算中处理多个候选生成步骤。摘要指出，SSMs 通过状态汇总历史信息，避免像自回归 Transformer 那样缓存或重新处理滑动窗口中的 token，但现有 SSM 推测解码方法仍难以高效计算候选 token 树。STree 的核心是利用累积状态转移矩阵的结构，以相对现有 SSM 实现较小的额外开销进行树状验证。作者将其称为首个面向 SSMs 与混合架构的可扩展树状推测解码算法；这一优先性主张尚未独立核实。 作者报告，在三个未于摘要中具名的 benchmark 上，即使使用基线草拟模型与树结构，STree 仍优于普通 SSM 推测解码；其硬件感知实现也改善了将自回归 Transformer 树状推测解码方法直接用于 SSM 的朴素方案。摘要未提供具体速度指标、模型配置、硬件、批量大小、候选树规模或输出质量验证协议，因此无法量化收益或判断适用边界。实验协议、消融及统计信息尚未验证。材料提供了代码仓库，但代码完整性、依赖与复现条件尚未核验。 该工作的主要对象是自回归模型推理，而非 EEG 表征学习或 BCI 解码。平台推测（待验证）：若某个 BCI 系统采用 SSM 或混合架构进行多步自回归输出，树状验证机制可能具有推理优化价值，但其前提是存在可用的草拟模型、兼容的状态更新与足够的并行计算收益；不能据此推断其改善 EEG 解码准确率或实时延迟。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其利用累积状态转移矩阵实现树状候选验证的机制及硬件感知实现；作者报告相对普通 SSM 推测解码获得性能优势，但具体加速指标与实验协议尚未验证。

7月21日周一
  1. OpenReview · EEG67

    ESCAViT：对称性感知 EEG 分类

    基于摘要分析。该研究面向重症监护场景中 Ictal-Interictal-Injury Continuum（IIIC）模式的 EEG 分类，针对导联间相关性捕获不足和类别不平衡问题，提出多流 Transformer 框架 ESCAViT。其主要贡献是结合时空特征建模与域适应学习，改善不同 IIIC 模式的识别；研究对象是临床 EEG 模式分类，而非直接验证 BCI 控制任务。 机制方面，ESCAViT 利用 Video Vision Transformer 和专门的特征提取机制建模 EEG 时空模式，并通过域适应学习增强数据多样性、缓解异质性 Other 类（HOC）的影响。摘要未说明多流输入如何构造、对称性如何编码、导联相关性如何进入模型，也未给出域适应的源域与目标域定义、监督条件或损失形式，相关实现尚未验证。 结果方面，在摘要所述 IIIC 数据集实验中，作者报告相较其所称的最先进模型，mean accuracy per class（mACC）提升 21.9%，F1-score 提升 22.6%；作者还报告 LRDA 分类改善超过 20%，并称模型在不同 IIIC 模式和不平衡分布下保持一致表现。摘要未明确这些增幅是相对百分比还是百分点，亦未给出绝对分数、具体对照模型及被试内或跨被试划分，因此不能直接用于同协议性能比较；LRDA 改善所对应的具体指标也需核对。 复现方面，材料提供了代码仓库地址，但代码内容与运行条件尚未核验。阅读全文时宜重点核对数据集版本、被试与样本划分、类别分布、mACC 和 F1-score 的计算方式，以及对称性、多流结构和域适应各自的贡献。实验协议、消融及统计信息尚未验证，摘要所述改善也不足以直接确立临床部署有效性。

7月13日周日
  1. OpenReview · Representation learning76

    通过灵活表征引导学习扩散模型

    基于摘要分析。研究探讨如何将辅助表征系统地融入扩散模型，以改善生成质量。作者提出表征引导框架，通过不同的去噪模型分解及对应训练准则，规定辅助表征在何时、以何种方式参与模型学习。 机制与贡献：摘要以既有工作中的表征对齐为出发点，即将扩散模型的内部表征与预训练模型表征对齐。作者在理论分析基础上提出两项策略：一是将样本与来自样本自身或不同合成模态的目标表征配对，再学习这些多模态配对的联合模型；二是设计平衡表征学习与数据生成的训练课程，作者称其为最优训练课程。具体分解形式、损失函数、合成模态构造方式及最优性的成立条件尚未验证。 结果与复现：作者报告，在蛋白质序列与分子生成任务中取得更优性能并加速训练。摘要未给出数据集、划分、对照基线、指标数值或计算预算，因此不能判断收益大小及适用范围。摘要提供了代码仓库，但实现与论文的一致性、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，在 EEG 生成或数据增强中，辅助表征可能帮助生成模型保留任务相关结构；这不等于已验证的 BCI 效果。该路径依赖可靠的目标表征与样本配对，可考虑复用表征对齐和训练课程机制，但需改造 EEG 编码、时序与通道表示。低信噪比、跨被试差异及小数据可能使引导偏向噪声或被试身份。一个可证伪的小实验是：在固定被试划分与训练预算下，对比无引导和表征引导的 EEG 生成模型，同时评估生成信号的结构保真度及对独立测试集解码的帮助。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其去噪模型分解与表征引导训练准则之间的对应关系，以及多模态配对和训练课程如何协调表征学习与生成；具体性能优势及加速幅度尚需全文验证。

4月14日周一
  1. OpenReview · State space models74

    nnMamba：基于状态空间模型的 3D 生物医学图像分割、分类与标志点检测

    基于摘要分析。该研究面向 3D 生物医学图像中的长程体素依赖建模，提出 nnMamba，将 CNN 的局部表征能力与状态空间模型（SSM）的全局上下文建模相结合，用于图像分割、分类与标志点检测，而非直接研究 EEG 或 BCI。 核心模块为 Mamba-In-Convolution with Channel-Spatial Siamese learning（MICCSS），用于建模长程体素关系；此外引入 channel scaling 与 channel-sequential learning，以增强密集预测和分类任务的表现。其方法动机是缓解 CNN 局部感受野的限制，同时应对 Transformer 在高维医学图像上的计算负担。摘要未提供模块内部结构、体素序列化方式、损失函数、训练策略或实际计算成本，这些细节尚未验证。 作者报告，在七个数据集上的实验覆盖 3D 图像分割、分类和标志点检测，并优于所比较的现有先进方法。但所给材料未列出数据集名称、划分方式、基线、评价指标及具体数值，因此无法判断各任务收益的幅度与适用范围，也不能确认其效率优势。实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但实现内容、运行条件和结果可复现性尚未核验。 平台推测（待验证）：假设局部特征提取与 SSM 长程建模的组合可用于 EEG 长时间窗建模，其可复用部分可能是 CNN–SSM 的组合思路；原方法依赖 3D 体素空间结构，而 EEG 的时间轴、通道拓扑及任务监督不同，需改造输入组织与通道建模。低信噪比、跨被试分布变化和小样本可能削弱收益，体素关系也不能直接等同于电极关系。一个可检验的小实验是在固定跨被试划分、相同预处理与训练预算下，对比 CNN 基线及加入 SSM 的变体，检验长时间窗任务表现与计算成本是否同时改善。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其将 CNN 局部表征与 SSM 长程建模结合的 MICCSS 机制，并核对不同 3D 图像任务上的收益与计算代价；摘要中的领先结果尚需全文实验协议支持，不能直接视为 EEG/BCI 有效性的证据。

4月1日周二
  1. OpenReview · Representation learning69

    知识图谱与预训练语言模型增强的对话推荐系统表示学习

    基于摘要分析。本文研究对话推荐系统（CRSs）中对话上下文和背景知识有限、现有知识图谱方法未充分利用实体内在信息的问题，提出知识增强实体表示学习框架 KERL。其核心贡献是结合预训练语言模型（PLM）编码的实体文本描述与知识图谱（KG）关系信息，为推荐和回复生成提供增强的实体表示。 机制上，PLM 负责提取实体描述的语义，KG 用于强化实体表示；位置编码用于捕捉实体在对话中的时序信息。推荐组件融合实体表示与上下文表示， dialog 组件则利用增强表示在回复中生成与实体相关的信息。摘要未说明具体融合算子、图编码结构、损失函数，以及 PLM 是否参与微调，相关实现尚未验证。 作者构建了实体描述对齐的 Wiki Movie Knowledge Graph（WikiMKG），并将其描述为高质量知识图谱。作者报告 KERL 在推荐与回复生成任务上取得 state-of-the-art 结果，但摘要未提供评估数据集、划分、对照基线、指标或具体数值，因而尚不能判断提升幅度及适用范围；实验协议、消融及统计信息尚未验证。摘要提供了公开代码入口，复现仍需核对 WikiMKG 的获取条件、实体描述对齐流程、模型配置与训练设置。 本文的主要研究对象是对话推荐，而非 EEG 解码或 BCI。其机制依赖可对齐的实体描述、知识图谱及对话实体序列；所给材料未提供这些结构与神经信号任务之间的具体对应关系，因此不据此推导 EEG/BCI 效果或提出迁移复现实验。相关 EEG 工作尚未检索确认。

1月23日周四
  1. OpenReview · Representation learning75

    面向表征学习的鲁棒性重编程

    基于摘要分析。本文研究能否在不改变已训练深度学习模型参数的前提下，通过模型重编程增强其对对抗扰动或输入噪声的鲁棒性。作者重新考察表征学习中的特征变换机制，提出非线性鲁棒模式匹配作为替代，并设计三种模型重编程范式，以适应不同的效率要求。 技术机制：摘要将方法与鲁棒统计联系起来，核心是调整特征变换，而非修改原模型参数。但模式匹配的数学定义、重编程作用位置、是否引入可训练附加参数、损失函数，以及三种范式各自的训练与推理开销均尚未验证。“不改变模型参数”不能据此理解为完全无需训练或没有额外计算成本。 作者报告，在涵盖基础线性模型、MLPs、浅层及现代深层 ConvNets 的实验与消融中，该方法表现有效。摘要未提供数据集、扰动类型与强度、评估指标、对照基线或具体数值，因此目前不能量化收益，也不能判断对抗鲁棒性与普通噪声鲁棒性的改善是否一致。实验协议、消融及统计信息尚未验证。材料提供了实现仓库，但代码完整性、运行依赖及复现条件尚未核验。 平台推测（待验证）：若该机制能用于时序特征变换，则可能为冻结 EEG 解码器后的噪声鲁棒性改造提供思路；这是假设，不是论文已验证的 BCI 结论。可复用对象是鲁棒模式匹配与重编程框架，需改造其对多通道时序输入及通道结构的适配；所需监督信息与数据规模尚不明确。低信噪比条件下，鲁棒处理可能同时抑制微弱任务信号，也未必能解决跨被试分布差异或通道缺失，小数据下附加模块还可能过拟合。一个可检验的小实验是冻结同一 EEG 解码器，在固定被试内划分下，对比原模型与重编程版本在干净输入和预先定义的噪声扰动下的 Accuracy 与推理开销，且保持测试数据不参与拟合。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其非线性鲁棒模式匹配如何在冻结模型参数的条件下改变特征变换，以及三种重编程范式的鲁棒性与效率权衡；摘要尚不足以确认其对 EEG 的适用性。

  2. OpenReview · EEG76

    更干净生物信号的价值：高保真神经压缩器实现从较干净 iEEG 到较嘈杂 EEG 的迁移

    基于摘要分析。本研究关注信噪比不同的 iEEG 与 EEG 如何影响深度学习信号压缩及跨模态迁移，提出用于两类信号的高保真神经压缩器 BrainCodec。其主要贡献是比较不同训练数据来源对 EEG 重建的影响，并结合下游任务与专家评估检验压缩信号的保真度。 方法与对照：作者将直接测量脑内电活动、信噪比较高的 iEEG 与较嘈杂的头皮 EEG 作为训练来源。作者报告，在 iEEG 上训练 BrainCodec 后迁移至 EEG，其重建质量优于直接在 EEG 上训练；同时使用 EEG 与 iEEG 训练也能改善 EEG 重建保真度。摘要未交代压缩器架构、损失函数、编码表示，以及迁移是否需要微调，因此不能据此确定性能改善的具体机制。 结果与验证：作者报告，BrainCodec 在 iEEG 和 EEG 上可实现最高 64 倍压缩而未出现明显质量下降，并在最终压缩比和重建保真度上超过所比较的现有压缩模型。该数值对应的具体数据、编码设置、质量指标及对照模型尚未验证。作者还用标准深度学习模型执行癫痫发作检测和运动想象分类，报告压缩重建信号未导致下游任务性能下降；另有一名神经科专家的主观评估支持其在现实场景中的重建质量。这些结论尚不能外推为所有 EEG/BCI 任务或所有压缩设置下均无损。 复现与适用边界：摘要提供了代码仓库，但数据集、被试数量、被试内或跨被试划分、训练数据规模、任务指标、消融及统计信息尚未验证。复现时需核对不同训练来源的数据量与预处理是否可比，以及下游评估的划分和压缩设置；专家评估的流程与适用范围也需结合全文确认。作者据此提出高信噪比数据有利于医学时间序列模型的结论，其普适性仍需更多数据与任务验证。

    阅读价值：值得核对 BrainCodec 的 iEEG→EEG 迁移及联合训练对照：作者报告较干净的 iEEG 可改善 EEG 压缩重建，并通过下游任务评估信号保真度，但具体协议与统计信息尚未验证。

  3. OpenReview · EEG80

    CBraMod：用于 EEG 解码的交叉式脑基础模型

    基于摘要分析。该研究针对现有 EEG 基础模型将空间与时间依赖统一建模、以及难以适配不同 EEG 数据格式的问题，提出 CBraMod，通过交叉式 Transformer、非对称条件位置编码和掩码 EEG 重建预训练，支持多种下游 BCI 解码任务。 核心机制：作者认为，EEG 的空间与时间依赖具有异质性，将全部 EEG patches 的时空关系一起建模可能忽略这一结构特征。CBraMod 采用 criss-cross transformer 作为骨干，以两种并行注意力机制分别建模空间和时间依赖；同时采用 asymmetric conditional positional encoding，为 EEG patches 编码位置信息，并支持对多样 EEG 格式的适配。预训练采用基于 patch 的掩码 EEG 重建，在作者描述的超大规模 EEG 语料上进行。摘要未提供模型层数、参数规模、patch 划分、掩码比例、重建损失形式或预训练语料组成，相关细节尚未验证。 评估与结果：作者报告在最多 10 项下游 BCI 任务、12 个公开数据集上进行评估，并在广泛任务上取得 state-of-the-art 表现。摘要未列出具体任务、数据集、指标、分数、对照基线，以及被试内、跨被试或跨会话划分，因此目前只能确认其评估覆盖范围和作者的性能主张，不能据此确定泛化优势的幅度或适用边界。 复现与核对：摘要提供了公开代码仓库，可作为复现入口，但权重、数据处理流程及训练配置的可获得性尚未验证。阅读全文时应重点核对空间与时间注意力分离、位置编码和预训练策略各自的消融贡献，不同数据格式的适配方式，以及预训练与下游评估数据的关系；实验协议、消融及统计信息尚未验证。

    阅读价值：值得阅读和复现的是 CBraMod 将 EEG 空间与时间依赖分开建模、并适配不同数据格式的机制；作者报告的广泛下游优势仍需结合具体划分、基线和消融核对。

1月1日周三
  1. OpenReview · Representation learning72

    ConcVAE：概念表征学习

    基于摘要分析。本文针对视觉数据中的无监督解耦表征学习：潜变量相互独立，并不意味着其含义符合人类直觉。作者提出概念表征学习及基于 VAE 的生成模型 Conceptual VAE（ConcVAE），通过可训练概念生成数据的语义表征，使潜空间轴具有可言说的意义。 核心机制是由反义词对构成概念，并以此确定潜空间中具有语义意义的轴。作者以自然语言中词语与所指概念之间的任意性为出发点，借助预训练视觉语言知识，为无监督学习引入符合人类理解的概念归纳偏置。其研究重点不只是潜变量独立性，而是解耦后的表征能否被人理解。摘要未说明概念对的选择与训练方式、具体视觉语言模型、损失函数及概念与潜变量的映射细节；“无监督”与预训练阶段知识来源之间的关系也需结合全文核对。 作者报告，视觉数据上的定性和定量评估显示，这种概念归纳偏置能够在无监督条件下得到兼具解耦性和可理解性的潜表征。摘要未给出数据集、划分、对照基线或具体指标，不能据此判断提升幅度或适用范围；实验协议、消融及统计信息尚未验证。作者提供了代码地址，但代码内容与复现条件尚未核验。 平台推测（待验证）：若 EEG 数据具有可由稳定语言概念描述的变化因素，概念轴约束可能用于研究潜表征的可解释性；这并非本文已验证的 EEG 或 BCI 效果。该假设依赖有效的 EEG—概念对应关系，不能直接沿用视觉语言预训练模型。可考察复用 VAE 与可训练概念轴机制，但需改造信号编码和语义对齐模块。低信噪比、被试差异、通道变化及小数据条件可能使概念轴对应伪迹或个体特征，而非目标因素。一个可证伪的小实验是在固定跨被试划分与相同编码器条件下，对比普通 VAE、具有明确对应关系的概念轴及打乱对应关系的概念轴，分别检查重建与概念轴一致性，而非仅看分类 Accuracy。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其以反义词概念对约束 VAE 潜空间语义轴的机制，重点核对预训练视觉语言知识如何参与无监督学习，以及可解释性与解耦性的评估是否分别成立。

  2. OpenReview · State space models74

    基于状态空间模型的医学点云分层特征学习

    基于摘要分析。该研究面向医学点云理解，提出基于状态空间模型（SSM）的分层特征学习框架，并构建 MedPointS 数据集，用于解剖分类、点云补全和分割。原论文的主要研究对象是医学点云的几何结构，而非 EEG 或 BCI 信号。 核心机制是通过最远点采样将输入点云下采样为多个层级，在各层执行一系列 k-nearest neighbor（KNN）查询，聚合多尺度结构信息。为使 SSM 处理不规则点集，作者引入 coordinate-order 与 inside-out 扫描策略进行序列化；随后通过 vanilla 和 group Point SSM blocks，逐步从短邻域序列与长点序列计算特征，以捕获局部模式和长程依赖。具体扫描规则、模块结构、损失函数及训练配置尚未验证。 作者报告，在 MedPointS 的解剖分类、补全和分割任务上，该方法均取得优于对照的表现，但摘要未提供指标数值、对照方法、样本规模或划分协议，不能据此量化优势。实验协议、消融及统计信息尚未验证。摘要提供了数据集获取地址，并说明代码已合并至公开医学影像平台 flemme；可复现性仍需核对数据版本、预处理、配置与运行环境。 平台推测（待验证）：其可迁移机制可能是利用空间邻域聚合与点集序列化处理不规则 EEG 电极布局，对应跨设备通道位置不一致的建模问题，而不是直接移植医学点云任务。该假设依赖可用的电极坐标及相应信号数据；可复用邻域构建和扫描思路，但需改造输入特征、时间建模及任务监督。EEG 低信噪比、稀疏通道、跨被试差异和小数据规模可能使几何邻近关系失去预测价值。可检验的小实验是在固定 EEG 数据划分、通道配置和训练预算下，仅比较坐标扫描与随机排序，检查效果及其在通道删减后的稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其将不规则医学点云序列化并结合局部与长程 SSM 建模的具体机制，但摘要中的性能优势及向 EEG/BCI 迁移的适用性尚需验证。

  3. OpenReview · State space models71

    核心—边缘原理引导的功能连接组分类状态空间模型

    基于摘要分析。本文研究 fMRI 功能连接组分类，提出 Core-Periphery State-Space Model（CP-SSM），旨在兼顾脑区间复杂依赖的表征能力与计算效率，主要应用方向是基于神经影像的神经系统疾病诊断，而非直接研究 BCI 解码。 方法包含两个要点：采用选择性状态空间模型 Mamba，以线性复杂度建模功能脑网络中的长程依赖；引入核心—边缘组织原理指导的 Mixture-of-Experts 模块 CP-MoE，以改善脑连接模式的表示学习。摘要将核心—边缘结构描述为有助于高效信息传递的脑网络特征，但未说明核心与边缘如何识别、连接组如何序列化，以及专家路由如何利用该先验；这些机制及训练目标尚未验证。 作者报告，在 ABIDE 与 ADNI 两个 fMRI 基准数据集的分类评估中，CP-SSM 的分类表现优于 Transformer 类模型，并显著降低计算复杂度。摘要未提供具体分类任务、样本量、划分协议、指标数值、对照模型配置或运行资源，因此尚不能判断性能增益大小，也不能将理论复杂度优势等同于已量化的实际加速。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，复现时仍需核对数据预处理、功能连接构建、序列顺序和计算成本测量条件。 平台推测（待验证）：若 EEG 功能连接图中存在稳定且可估计的核心—边缘结构，CP-MoE 的结构先验与 Mamba 的依赖建模可能用于跨被试连接图分类。可考虑复用状态空间建模与专家模块，但需改造节点定义、连接估计及序列化方式；低信噪比、通道布局差异和小样本可能使结构估计不稳定或导致过拟合。一个可证伪的小实验是，在固定 EEG 连接构建流程与跨被试划分下，对比 Mamba、加入 CP-MoE 的模型及随机化核心—边缘分配的对照，同时测量分类指标与运行成本，以检验收益是否来自结构先验。相关 EEG 工作尚未检索确认。

    阅读价值：值得关注其将脑网络核心—边缘组织先验与 Mamba、Mixture-of-Experts 结合的具体机制，但相对 Transformer 的性能与计算优势仍需结合全文协议核对，不能据此认定其对 EEG/BCI 有效。