跳到正文
只看一手#OpenReview
7月8日周二
  1. OpenReview · State space models71

    MS-SSM：用于高效序列建模的多尺度状态空间模型

    基于摘要分析。MS-SSM 针对传统状态空间模型（SSM）有效记忆受限、难以同时捕获多尺度依赖的问题，将序列动态表示在多个分辨率上，并为各分辨率配置专门的状态空间动力学；同时引入输入依赖的 scale-mixer，动态融合不同分辨率的信息。 核心机制是同时建模细粒度高频模式与粗粒度全局趋势，以改善记忆效率和长程建模。相较于摘要所述依赖扩大状态尺寸来提升召回能力的传统 SSM，本文侧重多分辨率处理与动态跨尺度融合。分辨率如何构造、各尺度状态如何更新、scale-mixer 的具体形式，以及训练目标、稳定性约束和复杂度尚未验证。 作者报告，在包括 Long Range Arena、hierarchical reasoning、time series classification 和 image recognition 的基准实验中，MS-SSM 持续优于此前的 SSM 模型，并保持计算效率。摘要未提供具体分数、数据划分、对照模型配置或效率测量条件，因此无法判断提升幅度及性能与成本的权衡；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设多尺度机制能区分 EEG 的局部快速变化与较慢的时序背景，其可能缓解长序列建模中的记忆压缩瓶颈，但原领域结果不等于 EEG/BCI 有效。可尝试复用多尺度状态动态与 scale-mixer，需按采样率和目标信号调整分辨率构造，并适配多通道输入。低信噪比可能使动态融合追随伪迹，降采样可能损失任务相关信息，跨被试差异与小数据也可能限制泛化。一个可检验的小实验是在固定 EEG 任务和相同 Cross-subject 划分下，对比单尺度 SSM、多尺度但固定融合、完整 MS-SSM，并控制参数量与训练预算，联合检查任务指标、推理成本和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：值得核对多分辨率状态空间动力学与输入依赖 scale-mixer 能否在计算成本可比时改善长程记忆，以及各模块对性能的独立贡献；其 EEG 迁移价值尚未验证。

6月22日周日
  1. OpenReview · Representation learning67

    因果信息指导的统一语义与 ID 表示学习

    基于摘要分析。研究针对大规模在线广告推荐中曝光有限、数据稀疏及冷启动条件下的物品表示问题，提出融合语义 token 与 ID token 的统一表示学习框架，并结合分层相似度机制与因果学习原则，以改善物品区分能力和泛化能力。 核心机制：ID token 作为物品特有信息的锚点，语义 token 编码可共享、可迁移的属性。作者认为，单独依赖 ID 表示容易产生冗余且冷启动泛化较差，而语义表示也可能存在重复与收益不稳定。框架在早期层使用余弦相似度，以缓解嵌入过度平滑；在最终层使用欧氏距离，以增强物品区分。摘要还提出通过因果学习解耦用户曝光偏差，但因果变量、识别假设、具体损失与训练流程尚未验证。 结果与复现：作者报告，在三个基准数据集上，相较作者所称的 SOTA 基线取得 6%–17% 的性能提升，并将 token 词表规模缩减超过 80%。摘要未明确数据集名称、评价指标、提升是相对比例还是百分点、数据划分及词表缩减的对照条件，因此这些数字不能直接解释为 Accuracy 提升或模型参数缩减。摘要提供了代码地址，但代码可用性、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，将共享语义与个体特有信息分开建模，可能有助于处理 EEG 的跨被试差异。原方法依赖用户—物品交互、物品 ID、语义属性及曝光过程；EEG 中没有直接等价的曝光机制，需要重新定义数据结构、监督信号与偏差来源。可考虑复用双类表示和分层相似度思想，但被试 ID 不应直接替代物品 ID。低信噪比、通道不一致与小样本可能使共享语义不稳定，或使 ID 表示记忆被试而损害泛化。一个可证伪的小实验是在固定 Cross-subject 划分下，对比共享表示、共享加被试特有表示及加入分层相似度的版本，检查收益是否稳定出现在未见被试上；已有相关 EEG 工作尚未检索确认。

6月13日周五
  1. OpenReview · State space models73

    DyGMamba：利用状态空间模型高效建模连续时间动态图中的长期时间依赖

    基于摘要分析。DyGMamba 面向连续时间动态图（CTDG）表示学习，试图同时解决长节点交互历史带来的计算开销，以及从长历史中识别关键时间信息的难题。其核心贡献是结合节点级与时间级状态空间模型（SSM），在编码历史交互的同时动态选择重要信息。 机制上，DyGMamba 源于 Mamba：节点级 SSM 首先编码节点历史交互序列，时间级 SSM 再提取历史图中的时间模式，并用其输出动态选择交互历史中的关键信息。摘要支持这种功能分工，但未说明选择操作、时间间隔编码、损失形式和训练细节，不能据此推断具体网络结构或复杂度阶数。 作者在动态图链接预测任务上验证该方法，并报告其在多数情况下达到最先进水平，同时保持较高的计算资源效率，使有限计算预算下捕获长期时间依赖成为可能。摘要未提供数据集、划分、对照基线、指标数值或资源测量条件，因此尚不能判断优势集中在哪类图、历史长度或预测协议；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能适用于将 EEG 表示为带时间戳交互事件图的研究，探索长时依赖与关键交互筛选，但原领域有效不等于 BCI 有效。可复用的是历史交互序列编码和时间信息选择思路；需要改造的是 EEG 通道或脑区节点定义、边事件构建及任务监督。其依赖的事件图结构与常规连续 EEG 信号并不等同，低信噪比可能产生不稳定边事件，跨被试通道差异和小数据也可能削弱选择机制。一个可检验的小实验是在固定 EEG 图构建、数据划分与计算预算下，对比完整机制和不使用时间级动态选择的版本，检查长历史是否带来稳定收益。已有 EEG 相关工作尚未检索确认；具体复现仍需取得全文及核对实现条件。

    阅读价值：值得核对其节点级历史编码与时间级动态信息选择的协同机制，以及长交互历史下预测性能和计算资源开销的权衡；摘要中的领先结果仍需结合具体评估协议验证。

5月10日周六
  1. OpenReview · Representation learning77

    基于 Empowerment 的表征学习与技能发现

    基于摘要分析。本文研究强化学习中表征学习与无监督技能发现如何联合进行，提出以 empowerment 目标同时优化观测表征和可执行技能，并提供理论分析及新的 actor-critic 架构。 核心机制：摘要将 empowerment 描述为衡量智能体从某种表征出发能够执行的不同技能的最大数量。作者的理论分析指出，如果表征不把具有不同充分统计量的观测合并，可执行的不同技能数量就会增加，因此最大化该目标有助于学习观测的充分统计量表征。为联合学习表征与技能，作者采用相较既有工作更紧的互信息变分下界，并通过新的 actor-critic 架构优化该目标；下界的具体形式、成立条件、技能参数化及训练流程尚未验证。 结果与证据边界：作者报告，在其经验评估中，该方法相比现有无监督技能发现方法能学习显著更多的技能，并能获得适用于下游强化学习的表征。摘要未给出环境、观测结构、基线名称、技能计数标准或下游指标，故无法量化收益，也无法核对“显著”的统计含义。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，若 EEG 驱动的交互任务具备可执行动作、连续交互轨迹和可区分的结果，该目标可能帮助保留与控制有关的状态信息，而非仅重建观测；这并不等同于已验证的 EEG 分类收益。可考虑复用互信息目标与 actor-critic 优化框架，但需改造 EEG 编码器、技能定义和交互环境。低信噪比、跨被试及通道差异可能使技能区分依赖伪相关，小数据也可能使互信息估计不稳定。一个可证伪的小实验是在固定 EEG 交互任务、数据划分和交互预算下，对照联合目标与仅技能发现目标，检验下游控制表现及跨被试稳定性；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其以 empowerment 联合驱动表征学习与无监督技能发现的理论机制，并核对更紧的互信息变分下界是否带来可复现的收益；摘要未提供具体实验协议。

5月1日周四
  1. OpenReview · Representation learning75

    强化学习中基于 Laplacian 的在线表征学习

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

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

  2. OpenReview · Representation learning74

    Sliding Puzzles Gym：视觉强化学习中状态表征的可扩展基准

    基于摘要分析。该研究针对视觉强化学习基准难以将表征学习能力与其他学习挑战分离评估的问题，提出 Sliding Puzzles Gym（SPGym），将经典 8-tile puzzle 转化为使用可扩展图像池的视觉 RL 任务。其核心贡献是通过可调网格大小和图像池控制视觉表征难度，为研究表征能力随视觉多样性变化的表现提供评估环境。 机制上，摘要称 SPGym 在保持环境动力学、观测空间和动作空间固定的同时，调节表征学习复杂度。不过，网格大小变化与这些空间保持固定之间的具体实现关系，仍需正文核对。该基准依赖图像构成的拼图观测与 RL 交互任务；图像内容、池规模及训练与测试的分布划分，是解释泛化结果的重要条件。 作者报告，在所评估的 model-free 与 model-based RL 算法中，随着可能出现的图像池扩大，所有受评算法的分布内和分布外表现均下降；复杂表征学习技术也常不及数据增强等较简单方法。这一结果限定于摘要所述实验，不能扩展为所有 RL 方法的普遍结论。具体算法、图像数据集、评价指标、划分协议、消融及统计信息尚未验证，摘要未提供可用于量化比较的数值。 平台推测（待验证）：其对 BCI 的潜在启发主要是评估设计，而非直接可迁移的模型——可借鉴将任务规则与输入多样性分开控制的思路，检验 EEG 表征在跨被试或跨会话变化下的稳定性。但 EEG 的低信噪比、通道差异及有限样本与视觉拼图不同，需要重新定义观测、任务和分布变化因素；不能据此认定 SPGym 的结果适用于 EEG。已有 EEG 相关工作尚未检索确认。复现前还需核对环境实现、图像池构建方式、对照配置与代码可用性。

    阅读价值：SPGym 通过控制图像池与拼图规模考察视觉表征能力，值得核对其隔离表征难度的实验设计，以及复杂表征方法与数据增强在相同协议下的比较结果。

  3. OpenReview · State space models74

    面向复杂环境长期动力学预测的可泛化物理增强状态空间模型

    基于摘要分析。该研究针对复杂环境中含噪声、非规则采样数据的长期动力学预测，提出 Phy-SSM，将部分已知物理知识融入状态空间模型（SSMs），以改善长期插值与外推。 核心机制是将部分已知的系统动力学分解为已知与未知状态矩阵，并将其整合到 Phy-SSM 单元中；同时引入 physics state regularization，使估计的潜在状态与系统动力学对齐。研究动机是结合 SSMs 的长程依赖建模能力与物理知识提供的约束。作者还对方法解的唯一性进行了理论分析，但具体假设、适用条件、矩阵参数化及正则项形式尚未验证。 作者报告，在车辆运动预测、无人机状态预测和 COVID-19 流行病学预测三类真实应用中，Phy-SSM 在长期插值与外推任务上优于对照基线。摘要未提供具体数据集名称、划分方式、预测时长、噪声与采样设置、基线名称或指标数值，因此尚不能判断优势幅度及不同协议下的稳健性。实验协议、消融及统计信息尚未验证。作者表示代码将在发表时公开，当前材料不能确认代码已可用或论文已正式发表。 平台推测（待验证）：若 EEG 预测任务存在可明确表达的部分动力学先验，已知与未知状态矩阵的分解可能为低信噪比、非规则采样下的时间序列建模提供约束。这是假设，并非已验证的 EEG/BCI 效果。可考虑复用矩阵分解与潜在状态正则化机制，但需要重新定义 EEG 的潜在状态、观测映射与先验；跨被试动力学差异、通道变化、错误先验及小数据条件都可能使约束失效。一个可检验的小实验是在固定被试内划分与预测时长下，对比普通 SSM、加入合理先验的 Phy-SSM 和加入扰动先验的版本，并评估不同噪声与采样缺失条件下的预测误差。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 Phy-SSM 如何将部分已知动力学纳入状态矩阵及潜在状态正则化，尤其是其在噪声、非规则采样条件下的长期外推协议；其对 EEG 的适用性尚未验证。

  4. OpenReview · State space models72

    状态空间模型的参数高效微调

    基于摘要分析。本文研究 Mamba 等深度状态空间模型（SSMs）的参数高效微调（PEFT），重点考察既有方法的表现及应调节的参数位置，并提出面向 SSM 模块的 Sparse Dimension Tuning（SDT），与用于线性投影矩阵的 LoRA 组合。 作者报告，LoRA 及其变体在所开展的比较中持续优于其他 PEFT 方法，但效果依赖于目标参数：LoRA 对线性投影矩阵有效，在 SSM 模块上则未奏效，尽管仍优于其他适用于 SSM 的方法。这里的关键研究问题是不同模块是否需要不同的微调机制，而非将同一种低秩更新统一施加到所有参数。摘要未说明 SDT 如何选择稀疏维度、更新哪些参数，以及其训练目标与参数预算。 作者报告，SDT 与 LoRA 的组合在广泛实验中达到最先进性能；但摘要未提供任务、数据集、模型规模、数据划分、对照基线或指标数值，因此尚不能判断优势的适用范围。实验协议、消融及统计信息尚未验证，复现还需核对 SDT 的实现、训练配置与各方法的可训练参数预算。 平台推测（待验证）：若 EEG 任务采用预训练 SSM，该模块分工式微调可能对应小数据条件下全量微调成本高、易过拟合的问题。可复用的是 SSM 模块使用 SDT、线性投影使用 LoRA 的适配思路；EEG 的通道输入、时间采样与任务输出仍需改造。原研究面向语言建模背景，具体预训练数据结构、监督方式与规模尚未验证，不能据此推定 EEG 效果。低信噪比、跨被试差异及通道变化可能使稀疏维度选择不稳定。一个可检验的小实验是在固定 EEG 预训练 SSM 和 Cross-subject 划分下，以匹配的可训练参数预算比较 LoRA 与 SDT＋LoRA，并检查多次运行的性能与稳定性。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其针对 SSM 模块与线性投影矩阵分别选择微调方法的分析，但 SDT 的具体机制及其相对 LoRA 的收益仍需全文核对。

4月2日周三
  1. OpenReview · EEG71

    EEG-EyeTrack：面向时间序列与函数型数据分析的基准、开放挑战及基线

    研究面向从 EEG 信号重建眼动的回归问题，提出 EEG-EyeTrack 基准数据集，并为函数型数据分析（Functional Data Analysis，FDA）应用设计开放挑战与评估指标，同时使用 functional neural networks 建立基线。以下基于摘要分析，未取得论文全文。 方法与贡献：该工作的重点是数据与评估框架，而不只是单一预测模型。主要任务是以 EEG 为输入重建眼动，functional neural networks 用于提供这一回归任务的基线。摘要未说明 EEG 与眼动的同步方式、预测目标的具体表示、模型结构、损失函数或训练流程，尚不能判断其如何利用时间序列的函数型结构。 数据与结果：作者报告在采用消费级硬件的新数据集，以及采用研究级硬件的 EEGEyeNet 数据集上给出了基线结果。摘要未提供具体指标名称、数值、被试规模、数据划分或对照模型，因此不能量化性能，也不能据此认定模型具有跨硬件或 Cross-dataset 泛化能力。两类硬件数据上的结果是否采用一致任务和评估协议，需要核对全文。 阅读与复现重点：应核对开放挑战的定义、评估指标如何衡量眼动重建质量、EEG 与眼动标签的对齐及预处理方式，以及被试内、跨被试或跨会话划分是否适用于所报告结果。实验协议、消融及统计信息尚未验证；数据访问条件、基线实现与运行配置也尚未验证。该材料支持将其视为 EEG 眼动重建与 FDA 方法比较的候选基准，但不支持推断其在其他 BCI 任务上的效果。

    阅读价值：值得阅读的具体原因是该研究将 EEG 眼动重建组织为函数型数据分析基准，并提供开放挑战、评估指标及 functional neural networks 基线；其评估协议与跨硬件适用性仍需全文核对。

3月6日周四
  1. OpenReview · Representation learning72

    分子的多模态表征学习

    基于摘要分析。该研究针对仅依赖化学结构的分子表征难以充分捕获生物学背景的问题，提出融合分子数据、Cell Painting 形态特征及 LINCS L1000 转录组谱的多模态表征学习框架，旨在改善毒性与活性预测。 核心机制是通过对比学习，将分子表征与生物学模态对齐。与需要完整“分子—形态—转录组”三元组的方法不同，该框架只要求“分子—形态”和“分子—转录组”两类配对数据，无需每个样本同时具备全部模态。摘要未说明编码器结构、具体对比损失、负样本构造或各模态的训练安排，这些细节尚未验证。 作者报告，在 ChEMBL20 上针对 1,320 个任务进行 linear probing 评估，预测性能有所提升。摘要未提供具体指标、增益数值、数据划分与对照基线，因此不能判断提升幅度，也不能据此确认跨数据集泛化能力。实验协议、消融及统计信息尚未验证；复现还需核对两类配对数据的获取方式、样本对应规则、预处理与训练配置。 平台推测（待验证）：其可迁移假设是，用共同锚点连接不同模态的成对监督，可能缓解 EEG 多模态研究中完整配对数据难以收集的瓶颈。可复用的是成对对比对齐思路，需改造的是 EEG 编码、时间窗匹配及正负样本定义；这要求不同配对数据间存在具有可比语义的共同锚点。低信噪比、被试差异、通道配置变化及小样本可能使表征偏向身份或采集条件，而非目标任务。可检验的小实验是在固定数据划分与配对样本预算下，比较两类成对对齐、完整多模态对齐和单模态基线，并单独考察跨被试表现。该假设不代表已证实的 EEG/BCI 效果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的具体机制是以分开的分子—形态和分子—转录组配对数据进行对比对齐，降低对完整三模态配对的依赖；性能增益与迁移至 EEG 的适用性仍需进一步验证。

1月23日周四
  1. OpenReview · Representation learning74

    迈向表征对齐的学习理论

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

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

  2. OpenReview · State space models79

    状态空间模型在动态 token 选择上可证明与 Transformers 相当

    基于摘要分析。该研究探讨状态空间模型（SSMs）结合全连接神经网络后，能否根据输入动态提取关键 token，并在特定任务与函数类下建立其与 Transformers 的能力比较。 核心机制与理论贡献：作者指出，既有理论研究多关注不含非线性层的 SSM 层，难以充分解释 SSM 与非线性模块组合后的能力。本文将研究对象扩展到 SSM 与全连接神经网络的组合；作者报告，这种组合在输入依赖的关键 token 提取能力上可与 Transformers 相当。摘要未给出具体网络结构、动态选择机制、证明假设或复杂度界，不能据此推断任意 SSM 架构均具备同等能力。 任务与结果：作者报告，在两个对单个 SSM 层具有挑战性的合成任务上，加入非线性层的 SSM 能高效求解；此外，在非参数回归问题中，作者证明 SSM 与 Transformers 对某一函数类的估计能力等价。合成任务定义、函数类约束、样本规模、评估指标及比较协议尚未验证，因此这些结论应限定在论文所设条件内，而非推广为一般任务上的性能等价。 平台推测（待验证）：若 EEG 任务需要按输入选择少量关键时间片段，该理论可能为评估 SSM 与非线性模块的组合提供依据。但其对 EEG 低信噪比、跨被试变化和小样本条件的适用性尚未验证；需先核对定理对输入结构、监督形式及函数类的要求，再判断是否具备迁移路径。已有 EEG 相关工作尚未检索确认。全文证明、实验协议、消融及统计信息尚未验证。

    阅读价值：值得阅读其关于 SSM 与非线性层组合的理论分析，以核对动态 token 选择和非参数回归中与 Transformers 可比的具体条件，而非将其理解为普遍性能等价。

  3. OpenReview · State space models81

    振荡状态空间模型

    基于摘要分析。研究针对长序列学习中的计算效率、动力学稳定性与长程依赖建模问题，提出 Linear Oscillatory State-Space models（LinOSS），以受迫谐振子系统构建状态空间模型，并通过稳定离散化及快速关联并行扫描实现序列计算。 核心机制与理论：作者以生物神经网络的皮层动力学为启发，报告证明 LinOSS 在对角状态矩阵非负的条件下可产生稳定动力学，并将这一条件与既有状态空间模型的限制性参数化作对照。作者还报告其通用逼近能力，即可按所需精度逼近时变函数之间的连续因果算子；一种隐式—显式离散化则保持底层动力学的时间可逆对称性。上述结论的完整假设、适用范围及证明细节尚未验证，不能直接等同于任意任务上的预测准确性保证。 实验结果：作者报告在中等至超长序列分类、回归及长时域预测任务上优于所比较的先进序列模型；其中，在序列长度为 50k 的一项序列建模任务中，相对 Mamba 和 LRU 的表现接近两倍。摘要未明确该倍数对应的指标、数据集、划分与训练预算，因此不能解释为 Accuracy 翻倍或计算加速。实验协议、消融及统计信息尚未验证；模型规模、预处理与复现资源也需查阅全文。 平台推测（待验证）：迁移假设是，振荡状态与稳定长程演化可能有助于 EEG 的节律及长时间上下文建模，但原领域有效不等于 BCI 有效。可考虑复用状态更新与并行扫描，需改造多通道输入及任务读出；低信噪比、非平稳性、被试差异、通道变化和小数据规模均可能削弱收益。可检验的小实验是在固定 EEG 数据划分、预处理及训练预算下，对比 LinOSS、Mamba 与 LRU，分别报告被试内和跨被试的同一任务指标，并考察序列长度变化是否带来稳定收益。已有 EEG 相关工作尚未检索确认。

    阅读价值：LinOSS 将受迫谐振子、稳定离散化与并行扫描结合，值得核对其稳定性条件及长序列建模收益，但摘要中的性能倍数尚需结合具体指标与评估协议验证。

  4. OpenReview · State space models78

    HOPE：长记忆状态空间模型的稳健参数化

    基于摘要分析。本文研究基于线性时不变（LTI）系统的状态空间模型（SSM）为何依赖专门设计的初始化，以及状态矩阵在对数尺度上以很小学习率训练的做法，并提出基于 Hankel operator 理论的参数化方案 HOPE，旨在改善初始化与训练稳定性。 机制上，HOPE 利用 Hankel operators 中的 Markov parameters 对 LTI 系统进行参数化，并通过对 LTI 系统传递函数进行非均匀采样实现高效计算。作者报告，该方案相较于常规 SSM 使用更少参数，并改善训练稳定性。摘要未给出具体参数化公式、采样策略、损失形式或参数量，相关实现条件尚未验证。 实验方面，作者报告，在 Long-Range Arena（LRA）任务上，基于 Hankel operators 参数化的 SSM 相较于采用 HiPPO 初始化的 S4、S4D 表现更好；摘要未提供具体任务分项、指标、数据划分及数值。作者还报告，该参数化具有固定时间窗内不衰减的记忆，并以加入填充噪声的 sequential CIFAR-10 任务提供经验支持。这不等同于无限时长记忆，也不能直接外推为生理信号中的抗噪能力。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其迁移假设是，若 EEG 任务依赖较长时间跨度的有效信息，HOPE 的记忆参数化可能有助于降低长序列训练对初始化的敏感性。原方法依赖时序输入与 LTI 动态建模；迁移时可复用参数化及传递函数采样机制，但需适配多通道 EEG 输入与任务输出。低信噪比可能使长记忆同时保留无关噪声，跨被试差异、通道变化和小数据条件也可能削弱收益。可在一个固定的 EEG 任务与数据划分下，以相同输入处理和训练预算比较 HOPE 与 S4D，并改变有效片段后的噪声填充长度，检验任务指标与训练稳定性是否更稳健。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是 HOPE 将长记忆 SSM 的初始化与训练稳定性问题统一到 Hankel operator 参数化视角；作者报告的固定时间窗内不衰减记忆，为评估噪声背景下的长时依赖提供了具体切入点，但 EEG 适用性尚未验证。

  5. OpenReview · State space models78

    面向不规则时间序列的连续状态空间 Feynman-Kac 模型摊销控制

    基于摘要分析。本文研究不规则、离散观测下的连续时间序列建模，提出 Amortized Control of continuous State Space Model（ACSSM），以观测条件化的连续潜在动力学统一支持分类、回归、插值和外推任务。 核心机制是先通过多边缘 Doob's h-transform 构造以不规则观测为条件的连续动力系统，再借助随机最优控制（SOC）理论进行变分推断，近似难以直接求解的 Doob's h-transform 并模拟条件化动力学。作者提出具有紧致证据下界（ELBO）的推断算法，但该下界的具体形式、成立条件及紧致性论证尚未验证。 在计算实现上，ACSSM 使用辅助变量灵活参数化潜在动力学与摊销控制，并结合 simulation-free 潜在动力学框架和基于 transformer 的数据同化方案，使潜在状态推断与 ELBO 计算能够并行进行。这里的关键阅读点是条件化动力学、控制近似与并行推断如何衔接；摘要不足以确定 simulation-free 的具体实现及其与动力学模拟之间的关系。 作者报告，在多种真实世界数据集上的分类、回归、插值和外推评估中，ACSSM 获得更优性能并保持计算效率。摘要未给出数据集名称、划分、对照基线、指标数值或运行资源，故不能判断优势幅度及适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能适用于存在缺测或异步采样的 EEG 多模态记录，但原领域结果不等于 BCI 有效。迁移假设依赖可用时间戳和足够观测信息，可复用连续动力学及摊销推断思路，需改造观测模型与通道表示；低信噪比、跨被试差异和小数据可能导致潜在动力学估计不稳定。可在固定被试内划分下，对同一 EEG 数据施加受控缺测，比较 ACSSM 与规则重采样后的基线在插值误差及下游任务指标上的变化。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读的是其将多边缘 Doob's h-transform、随机最优控制与摊销推断结合，用于不规则观测下的连续潜在动力学建模；性能优势与计算效率仍需结合全文中的评估协议核对。

  6. OpenReview · State space models68

    RFMamba：用于基于 RF 的以人为中心感知的频率感知状态空间模型

    基于摘要分析。RFMamba 研究如何将状态空间模型（SSM）用于基于射频（RF）信号的以人为中心感知，核心贡献是设计双分支 SSM 模块，自适应提取有信息量的频率线索与辅助空间信息，并构建面向多种下游感知任务的网络。 原问题与机制：摘要将 RF 感知的困难归纳为信号表征差异、不同场景下的频率响应差异，以及镜面反射导致的信息捕获不完整。作者以 SSM 的长序列建模能力和线性复杂度为出发点，通过频率与空间两类线索探索雷达回波中的人体表征。摘要未说明频率线索的具体计算方式、空间分支的数据组织、分支融合机制、损失函数及训练流程，这些细节尚未验证。 结果与证据边界：作者报告 RFMamba 在三个下游任务上均取得优于对照的表现，但摘要未给出任务名称、数据集、划分协议、对照基线或量化指标，因此不能判断优势幅度及不同协议下的稳定性。作者称这是据其所知首次将 SSM 引入基于 RF 的以人为中心感知，该优先性主张尚未独立核验。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，频率线索选择与长序列建模可能对应 EEG 中频带相关信息提取及长时间依赖建模的需求，但雷达回波中的空间与反射结构不等同于 EEG 电极拓扑。可考察复用 SSM 序列模块与频率选择思路，空间分支则需依据通道布局改造；具体监督方式和所需数据规模尚不明确。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迁移失效。一个可证伪的小实验是：在固定 EEG 数据划分与训练预算下，比较基础 SSM 与加入频率选择模块的版本，并用移除频率选择的消融检验增益是否稳定。该实验仅为迁移验证建议，已有 EEG 相关工作尚未检索确认。

  7. OpenReview · State space models72

    从层到状态：深度神经网络层动态的状态空间模型视角

    基于摘要分析。本文研究深层神经网络如何复用先前层的信息以增强当前层的特征表示，将各层输出视为连续过程的状态，并提出 Selective State Space Model Layer Aggregation（S6LA），利用 Selective State Space Models（S6）设计层间聚合模块。 核心机制是把状态空间模型（SSM）的建模对象从通常的序列位置转向网络深度方向的层输出。作者认为，既有层聚合方法主要采用离散状态视角，在网络层数增大时存在适用性限制；S6LA 则尝试以序列框架结合传统 CNN 或 transformer 架构。这里的“序列”主要对应层间信息演化，不能直接等同于输入信号的时间序列。连续状态的具体参数化、不同层特征的维度对齐、选择性机制及训练方式均需全文核对。 作者报告，S6LA 在图像分类与检测任务中带来显著改进，但摘要未提供数据集、划分、对照基线、指标或具体数值，因此无法判断改进幅度、计算代价及其对网络深度的依赖。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 模型存在跨层特征复用不足的问题，可考虑复用 S6LA 的沿深度聚合思路，而非直接把它当作 EEG 时间建模模块。该迁移假设依赖可组织为层序列的中间表示，需要改造不同层的通道数、时间分辨率与特征对齐方式；低信噪比可能使聚合传播噪声，跨被试差异和小数据也可能使选择性机制过拟合。一个可检验的小实验是在固定 EEG 骨干和 Cross-subject 划分下，比较原模型、简单层聚合与 S6LA，并同时记录任务指标、参数量及推理开销。上述仅为验证建议，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 S6LA 如何将沿网络深度的层间聚合建模为状态演化，以及其相对既有层聚合方法的收益与开销；摘要支持视觉任务中的作者报告，尚不能据此确认 EEG 适用性。

1月1日周三
  1. OpenReview · State space models72

    DefMamba：可变形视觉状态空间模型

    基于摘要分析。DefMamba 针对视觉 Mamba 将图像按预定义扫描顺序展平为一维序列、可能难以充分利用空间结构的问题，提出结合多尺度骨干与 deformable mamba（DM）模块的视觉基础模型，通过动态调整扫描路径增强相关输入特征的提取。 核心机制是 deformable scanning（DS）策略：不完全沿固定顺序处理图像，而是动态调整扫描路径，优先处理重要信息。作者认为，这有助于学习图像结构并捕捉物体细节变化。摘要未说明扫描位置如何生成、是否使用额外监督，以及动态扫描与状态空间计算如何衔接；具体损失、训练配置、参数规模和计算开销尚未验证。 作者报告，DefMamba 在 image classification、object detection、instance segmentation 和 semantic segmentation 等视觉任务上达到领先性能，但摘要未提供数据集、划分、基线或指标数值，因此无法评估各任务的收益幅度及效率权衡。实验协议、消融及统计信息尚未验证。摘要称代码已开源，但当前材料不足以核对实现入口、权重及复现条件。 平台推测（待验证）：迁移假设是，若 EEG 的通道空间关系与时序变化能够形成有意义的扫描结构，动态扫描可能缓解固定通道或时空遍历顺序对局部相关性的限制。可考虑复用状态空间处理与动态扫描思路，但需改造图像空间坐标、多尺度特征组织和扫描约束。原方法依赖的图像网格结构不能直接等同于 EEG 电极布局；低信噪比可能使扫描路径追随伪迹，跨被试及通道配置变化也可能破坏路径稳定性，小数据则可能增加路径学习的过拟合风险。一个可检验的小实验是在同一 EEG 数据划分、预处理与训练预算下，对比固定扫描与可学习扫描，并检查任务指标、计算开销及噪声扰动下的路径稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其可变形扫描相较固定扫描顺序的空间结构建模收益与计算开销，但摘要中的领先性能主张及向 EEG 迁移的有效性尚未验证。

  2. OpenReview · EEG74

    EEGCiD：将 EEG 凝缩到扩散模型中

    基于摘要分析。EEGCiD 针对 EEG 模型开发中大量数据带来的存储与共享隐私问题，将原始数据集的知识凝缩到扩散模型和少量潜在编码中，生成信息集中的合成样本集；其目标并非复现外观逼真的 EEG，而是保留用于解码的代表性信息。 核心机制分为模型预训练与数据凝缩两阶段。首先，使用原始 EEG 数据预训练确定性去噪扩散隐式模型 DDIM，以存储数据集知识；骨干采用包含空间与时间自注意力模块 STSA 的 transformer，替代传统 U-Net。随后，从原始数据集中随机选取部分样本，经 DDIM 前向过程得到凝缩潜在编码 z，并通过匹配合成样本与原始数据在多个 EEG 解码模型中的特征分布来优化 z。摘要将这一过程称为集成特征匹配，但具体损失形式、解码模型配置及优化细节尚未验证。 作者报告，在三个 EEG 数据集上的实验中，凝缩数据集在有限样本量条件下取得更优分类表现，并能有效抵御成员推断攻击（MIA）。摘要未提供数据集名称、被试数量、被试内或跨被试等评估协议、对照方法及具体指标，因此无法量化收益，也不能据此认定对其他隐私攻击同样有效。 复现时需核对凝缩样本预算、DDIM 训练与采样设置、特征匹配模型及下游解码模型的关系，以及原始数据、潜在编码和扩散模型权重各自的存储与发布成本。隐私结论需结合 MIA 的攻击者能力、访问权限和评估协议解释；合成信号不与原始信号视觉相似，本身不等于隐私保证。实验协议、消融及统计信息尚未验证。

    阅读价值：值得关注其将确定性 DDIM 与多解码模型特征匹配结合的 EEG 数据集凝缩机制，但分类收益与隐私保护结论仍需结合数据划分、存储核算及 MIA 威胁模型核对。

  3. OpenReview · EEG74

    EEGCiD：将 EEG 凝缩到扩散模型中

    EEGCiD 针对 EEG 模型开发所需大量数据带来的存储与共享隐私问题，提出将原始数据集知识凝缩到扩散模型及小规模潜在编码集合中的方法，以生成信息集中的合成 EEG 样本，而非以外观接近原始信号为主要目标。基于摘要分析，未取得论文全文。 核心机制分为知识建模与数据凝缩两个阶段：首先使用原始 EEG 数据预训练确定性 denoising diffusion implicit model（DDIM），以保存数据集知识；其骨干采用包含空间与时间自注意力模块（STSA）的 transformer，替代传统 U-Net。随后，从原始数据集中随机选取样本子集，经 DDIM 前向过程得到凝缩潜在编码 z，再通过匹配合成样本与原始数据在多个 EEG 解码模型中的特征分布来优化 z。该集成特征匹配策略意在将对解码任务有用的信息集中到较小的合成数据集中；具体损失形式、解码模型组合及优化细节尚未验证。 作者报告，在三个 EEG 数据集上，凝缩数据集在有限样本条件下取得较好的分类表现，并能有效防御成员推断攻击（MIA）。摘要未提供数据集名称、任务、被试数、被试内或跨被试划分、凝缩样本规模、分类指标数值及对照设置，因此无法量化分类收益，也不能比较不同协议下的效果。实验协议、消融及统计信息尚未验证。 复现与应用评估需核对 DDIM 预训练成本、潜在编码优化成本，以及生成合成数据所需模型权重是否计入总存储开销。隐私结论还需核对 MIA 的攻击者能力、访问权限和评估指标；合成样本不与原始信号外观相似，本身不能构成隐私保证。作者报告的 MIA 防护效果应限定于其实际测试设置，不能据此推断身份或健康信息的其他泄露风险均已消除。

    阅读价值：值得阅读其将确定性 DDIM 与多解码模型特征分布匹配结合的 EEG 数据凝缩机制，但分类收益与成员推断攻击防护效果仍需结合压缩规模、评估协议和攻击设置核对。

  4. OpenReview · EEG72

    EEGDM：基于生成式扩散模型的 EEG 表征学习

    基于摘要分析。该研究针对 EEG 标注有限、信号变异性高导致的表征学习困难，提出生成式扩散表征学习框架 EEGDM，并将预训练得到的潜在 EEG 表征用于下游分类，探索区别于现有 EEG 基础模型的技术路径。 核心机制是用于扩散预训练的结构化状态空间模型 SSMDP：作者以其捕获 EEG 的时间动态，并在 Denoising Diffusion Probabilistic Model（DDPM）框架下训练。随后，作者提出 latent fusion transformer（LFT），利用所得潜在表征完成分类。摘要未说明扩散噪声设定、具体训练目标、潜在表征提取位置及 LFT 的融合方式，这些实现细节尚未验证。 评估采用涉及发作间期癫痫样放电的 TUEV 与涉及癫痫发作检测的 CHB-MIT，并与现有方法及 EEG 基础模型比较。作者报告 EEGDM 优于所比较的方法，但摘要未提供具体指标、数值、基线名单及被试内或跨被试等划分信息，因而尚不能判断优势幅度、统计可靠性或跨协议泛化能力。这些任务属于 EEG 临床事件识别，不能直接视为已验证的 BCI 控制效果。 作者将大型 EEG 基础模型的训练与推理成本、模型增大时收益有限作为研究动机，但摘要并未给出 EEGDM 的参数量、训练开销或推理效率，不能据此确认其计算成本优势。复现时需核对数据预处理、预训练与下游数据的划分关系、分类协议、基线配置以及 SSMDP 和 LFT 的独立贡献；实验协议、消融及统计信息尚未验证。摘要提供了源码与 checkpoint 链接，但其内容、可运行性和复现实验条件尚未核验。

    阅读价值：值得核对其以结构化状态空间模型进行扩散预训练、再融合潜在 EEG 表征的机制，以及相对 EEG 基础模型的分类收益与计算成本；摘要中的性能优势尚需结合完整实验协议验证。

  5. OpenReview · State space models72

    DefMamba：可变形视觉状态空间模型

    基于摘要分析。DefMamba 针对视觉 Mamba 将图像按预定义顺序展平为一维序列、难以充分利用空间结构的问题，提出结合多尺度骨干结构与 deformable mamba（DM）模块的视觉模型。核心贡献是通过 deformable scanning（DS）策略动态调整扫描路径，使特征处理优先关注重要信息。 机制与证据：摘要将空间结构利用不足归因于固定扫描顺序，并以可变形扫描改善图像结构学习和物体细节变化的捕捉。多尺度结构与动态扫描的具体结合方式、路径生成机制、训练目标及计算开销尚未验证。作者将 DefMamba 称为视觉基础模型，但摘要未提供预训练数据、规模或迁移设置，不能据此判断其基础模型能力。 作者报告，在 image classification、object detection、instance segmentation 和 semantic segmentation 等视觉任务上取得 state-of-the-art 性能；摘要未给出数据集、评估划分、指标数值和对照基线，因此无法判断优势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。摘要称代码已开源，但具体仓库、训练配置和复现条件尚未核实。 平台推测（待验证）：迁移假设是，将固定扫描改为内容相关扫描，可能改善 EEG 时空特征的选择与整合；这不是已证实的 BCI 效果。原方法依赖图像的空间结构及视觉任务数据，具体监督方式与数据规模未知。可考虑复用动态扫描思想，但需将二维图像空间改造为电极拓扑与时间结构，并约束扫描保留时序关系。低信噪比可能使路径追踪伪迹，跨被试及通道布局差异可能破坏空间对应，小数据可能导致扫描策略过拟合。一个可证伪的小实验是：在相同数据划分、训练预算与骨干配置下，比较固定扫描和电极拓扑约束的动态扫描在 Cross-subject EEG 分类中的表现，同时检查噪声扰动后的路径稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其可变形扫描如何缓解视觉 Mamba 固定扫描顺序对空间结构利用的限制，但性能优势及向 EEG 迁移的可行性尚需核对全文与实验。

  6. OpenReview · State space models72

    DefMamba：可变形视觉状态空间模型

    基于摘要分析。DefMamba 针对视觉 Mamba 将图像按预定义扫描顺序展平为一维序列、可能削弱空间结构利用的问题，提出结合多尺度骨干与 deformable mamba（DM）模块的视觉模型。核心贡献是通过 deformable scanning（DS）动态调整扫描路径，优先处理重要信息，以增强空间结构及目标细节的表征。 机制与证据：摘要将改进归因于动态扫描，而非仅采用固定顺序的序列化。作者报告，DefMamba 在 image classification、object detection、instance segmentation 和 semantic segmentation 任务上达到领先性能；但材料未提供数据集、划分、指标数值、对照模型或计算成本，尚不能判断收益幅度及效率权衡。扫描路径如何生成、是否可微、训练目标，以及多尺度骨干和 DS 的独立贡献，均需查阅全文；实验协议、消融及统计信息尚未验证。作者称代码已开源，但材料未给出可核对的仓库地址，运行环境、配置及权重可用性尚未验证。摘要称其为视觉基础模型，预训练规模与迁移评估范围仍待核对。 平台推测（待验证）：迁移假设是，若 EEG 的通道拓扑与时频表示提供稳定的空间结构，内容自适应扫描可能缓解固定序列化难以利用通道关系的问题。可考虑复用动态扫描思想，但扫描坐标、通道邻接及输入编码需针对 EEG 改造；其监督需求和数据规模依赖尚不明确。低信噪比可能使路径追随伪迹，跨被试差异与通道缺失可能破坏结构，小数据也可能使路径学习过拟合。一个可检验的小实验是在同一 EEG 任务、固定 Cross-subject 划分和相同训练预算下，仅替换固定扫描与动态扫描，并比较预先选定的同一指标及通道扰动下的稳定性。该实验只是迁移验证建议，不代表已有 EEG 效果；相关 EEG 工作尚未检索确认。

    阅读价值：值得核对 DefMamba 的动态扫描机制及其相对固定扫描顺序的收益，但摘要中的领先性能主张与向 EEG 迁移的价值均需进一步验证。

  7. OpenReview · EEG61

    结合时空网络与图注意力架构的 EEG 工作负荷分类

    基于摘要分析。本研究针对 EEG 认知工作负荷估计，将 EEGNet 与 Graph Attention Networks（GATs）结合，旨在联合建模 EEG 的时空特征及电极间关系。核心贡献是融合电极空间距离与信号相关性构建动态图，并利用 GAT 的多头注意力进行特征提取和工作负荷分类。 技术机制：EEGNet-GAT 混合架构将时空特征建模与图关系建模结合，以表达 EEG 中复杂的空间和时间动态。摘要明确动态图同时利用电极距离与信号相关性，但未说明图的更新频率、相关性计算窗口、边权融合方式，以及 EEGNet 与 GAT 的具体连接位置；网络结构、损失函数和训练细节尚未验证。 数据与结果：研究使用 COG-BCI 数据集，涉及 N-Back 和 Multi-Attribute Task Battery-II（MATB-II）任务。作者报告，在其工作负荷分类评估中，N-Back 的 Accuracy 为 92.13%，MATB-II 的 Accuracy 为 96.08%，并称优于独立 EEGNet。摘要未提供被试数量、类别定义、数据划分、被试内或跨被试协议及 EEGNet 基线数值，因此不能据此量化增益或判断跨被试泛化能力；实验协议、消融及统计信息尚未验证。 复现与应用边界：复现时需核对预处理、分窗、图构建、训练与测试划分，以及动态图相对静态图和仅使用电极距离或信号相关性的贡献。作者提出该架构具有实时认知工作负荷估计潜力，但摘要未提供推理延迟、在线评估或实际部署结果，实时适用性尚未验证。

  8. OpenReview · State space models63

    SSFMamba：用于全色锐化的空间–光谱融合状态空间模型

    基于摘要分析。该研究针对全色锐化（Pansharpening），将全色（PAN）图像与低分辨率多光谱（LR-MS）图像融合，重建高分辨率多光谱（HR-MS）图像。作者提出 SSFMamba，通过空间建模、光谱建模与自适应融合，显式刻画两类输入的空间–光谱特性。 核心机制包括三个模块：多尺度空间视觉状态空间（MSpa-VSS）模块在视觉状态空间（VSS）中引入多尺度卷积，同时建模空间依赖与多尺度空间特性；双向光谱视觉状态空间（BSpe-VSS）模块沿光谱通道进行双向扫描，学习连续光谱特性；门控空间–光谱融合（GSSF）模块则自适应融合两类特征。相较于摘要所述的现有 VMamba 方法，其设计重点是分别显式提取空间与光谱属性，再进行融合，而不只是采用视觉状态空间骨干。 作者报告在多个数据集上的实验显示 SSFMamba 具有性能优势，但摘要未提供数据集名称、划分协议、对照基线、指标或具体数值，因此无法核对优势幅度及适用条件。损失函数、训练设置、实验协议、消融及统计信息尚未验证；复现还需核对完整实现与数据预处理流程。 平台推测（待验证）：该方法依赖图像空间结构及光谱通道的连续性。对于 EEG，可提出将空间建模与频率建模分开、再门控融合的假设，以探索电极空间关系与频率信息的联合利用；可考虑复用分轴建模和门控融合思路，但需改造扫描顺序、输入表示与空间邻接关系。EEG 电极不等同于连续光谱通道，低信噪比、跨被试差异、通道布局变化和小数据训练均可能使迁移失效。一个可检验的小实验是在相同 EEG 数据划分、预处理和训练预算下，对比双向频率扫描加门控融合与不含该扫描的对照，分别报告被试内和跨被试结果。以上不是本文已验证的 EEG 效果，已有 EEG 相关工作尚未检索确认。

  9. OpenReview · EEG53

    结合过完备有理伸缩小波变换与自回归模型的 EEG 运动想象分类

    基于摘要分析。本文针对 EEG 运动想象（MI）分类问题，提出 ORDWT_AR，将过完备有理伸缩小波变换（ORDWT）与自回归（AR）模型结合，用于提取 EEG 特征，再由传统分类器完成分类。 方法流程是先通过滑动窗口将 EEG 记录分段，再对各片段进行 ORDWT 分析。摘要称该步骤产生一系列 stop bands，随后结合 AR 提取代表性特征，并将选定特征输入 Weighted k-nearest Neighbour（WKNN）、Decision Tree（DTree）和 Boosted Trees（BST）。其可核对的技术重点是小波分析与 AR 特征的组合；ORDWT 的具体配置、AR 阶数、窗口长度与步长、特征选择方式及分类器参数尚未验证。 作者报告，在三个来自 BCI Competition III 的 EEG 数据集上，ORDWT_AR 配合 WKNN 的平均 Accuracy 为 99.8%；在 CHB-MIT 数据集上的 Accuracy 为 99.7%。摘要未提供三个竞赛数据集的具体名称、类别设置、被试数，以及被试内、跨被试或跨会话评估协议，因此这些数值只能作为作者在未明确划分条件下报告的结果，不能直接与其他 MI 方法比较。 复现时应优先核对训练与测试划分的单位、滑动窗口分段与划分的先后顺序、重叠片段的处理，以及特征选择是否限定在训练数据内；摘要不足以判断这些环节是否存在问题。CHB-MIT 的具体分类任务及其与 MI 的对应关系也需从全文确认，不能将该数据集上的结果直接视为 MI 分类证据。实验协议、对照基线、消融及统计信息尚未验证。作者提出该方案可能支持残障人士与环境交互，但摘要所述离线分类结果尚不足以验证在线 BCI 性能或实际使用效益。

  10. OpenReview · State space models70

    用于降雨—径流模拟的深度状态空间模型

    该研究针对降雨—径流模拟中 LSTM 仍占优势的问题，提出采用 Frequency Tuned Diagonal State Space Sequence（S4D-FT）模型作为替代序列建模方法。基于摘要分析，贡献主要是将该状态空间模型用于水文模拟，并与深度学习及物理模型进行对照。 方法与评估：作者在美国本土连续地区（CONUS）的 531 个流域上，将 S4D-FT 与 LSTM、基于物理机制的 Sacramento Soil Moisture Accounting 模型进行比较。作者报告，S4D-FT 在不同地区能够优于 LSTM；摘要未提供具体指标、提升幅度或相对物理模型的结果，因此不能量化优势或判断其适用边界。这里的 531 指流域数量，不代表独立测试流域数量，训练与测试划分尚未验证。 技术核对重点：摘要明确了状态空间序列建模及频率调谐的方法名称，但未展开频率调谐如何实现、输入变量、状态更新、损失函数与训练配置。需进一步核对性能是否来自模型机制，以及对序列长度、流域差异和训练预算的敏感性；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）：可迁移假设是利用状态空间模型处理 EEG 时间序列，并检验频率调谐是否适合任务相关的频谱结构，而非把水文优势直接视为 BCI 优势。原任务依赖降雨—径流时序数据，具体输入结构、监督方式及样本规模尚未验证；迁移时可考虑复用序列建模模块，但需改造多通道输入和任务输出。EEG 的低信噪比、跨被试频谱差异及小数据条件可能使调谐失效或过拟合。一个可证伪的小实验是在固定 EEG 数据划分与训练预算下，对照 S4D-FT、未调谐的 S4D 和 LSTM，检验频率调谐能否稳定带来增益。相关 EEG 工作尚未检索确认。

    阅读价值：值得关注其以 S4D-FT 对照 LSTM 与物理水文模型的序列建模评估，但频率调谐机制、数据划分及性能差异的统计证据仍需全文核对，不能据此推断 EEG 效果。

  11. OpenReview · State space models72

    DefMamba：可变形视觉状态空间模型

    基于摘要分析。DefMamba 针对视觉 Mamba 将图像按预定义扫描顺序展平成一维序列、难以充分利用空间结构的问题，提出结合多尺度骨干与 deformable mamba（DM）模块的视觉模型。其核心贡献是通过 deformable scanning（DS，可变形扫描）动态调整扫描路径，优先处理重要信息，以增强空间结构与目标细节的表征。 机制与结果：摘要将 DefMamba 称为视觉基础模型，但其预训练数据、规模与迁移设置尚未验证。动态扫描改变了特征进入序列处理的次序，而不只是采用固定遍历方式；扫描路径的生成方式、是否可微、训练目标及额外计算开销仍需正文确认。作者报告，DefMamba 在 image classification、object detection、instance segmentation 和 semantic segmentation 等视觉任务上达到领先性能；摘要未提供数据集、指标、划分或对照数值，因此目前无法评估收益幅度及不同任务间的一致性。作者称代码已开源，但材料未提供可核对的仓库地址。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若动态扫描能够根据输入选择有意义的邻接关系，其机制可能用于缓解 EEG 时空序列展平后电极空间关系被弱化的问题；但图像规则网格与 EEG 电极拓扑并不等价。可复用的是 SSM 序列建模与自适应扫描思路，需改造的是电极位置编码、时空扫描约束和重要性估计。低信噪比下扫描可能追随伪迹，跨被试或通道配置变化可能使路径不稳定，小数据也可能不足以学习可靠路径。一个可证伪的小实验是在同一 EEG 任务、固定跨被试划分和匹配训练预算下，仅替换固定扫描与动态扫描，比较任务指标、路径稳定性及计算开销。此项迁移并非作者已验证结果，相关 EEG 工作尚未检索确认。

    阅读价值：值得核对其动态扫描路径如何保留空间结构，以及相对固定扫描的收益与计算代价；摘要中的领先性能结论仍需结合任务协议和对照实验验证。

  12. OpenReview · State space models70

    DSSM：用于人体动作生成的双状态空间模型

    基于摘要分析。该研究面向文本驱动的人体动作生成，针对词级文本描述与关节级动作表示之间特征信息量不均衡、影响潜在空间特征融合的问题，提出 Dual State Space Model（DSSM），通过从粗到细重建融合特征缓解模态间失衡。 机制上，DSSM 包含 Masked State Space Model（MSSM）与 Hierarchical State Space Block（HSSB）两个单元，并引入状态空间模型（SSM）以利用时序信息、降低计算复杂度。摘要未说明掩码对象、层级组织、融合位置、损失函数及训练与推理流程，这些细节尚未验证。作者声称这是首次将 SSM 引入文本驱动的动作序列生成，该优先性尚未独立核实。 作者报告，在 HumanML3D 与 KITML 基准数据集上达到 SOTA 表现；但摘要未提供具体指标、数值、数据划分或对照基线，因此无法判断优势幅度，也无法核对计算复杂度收益。实验协议、消融及统计信息尚未验证。摘要提供了 GitHub 代码地址，但代码完整性、依赖环境及复现条件尚未核验。 平台推测（待验证）：其原问题是文本与动作序列的信息量不平衡，机制依赖文本—关节序列的跨模态对应关系；具体监督形式和训练规模尚未明确。假设 EEG 与文本或运动学信号的融合也受到模态信息量失衡影响，可考察粗到细融合重建与 SSM 时序建模的复用价值，但需改造 EEG 输入表示、通道处理及模态对齐方式。低信噪比、跨被试差异、通道配置变化与小数据可能使重建过程偏向更强模态，削弱 EEG 信息。一个可检验的小实验是在固定划分的配对 EEG—运动学任务中，对比常规融合与该重建机制，并通过削弱或移除 EEG 输入检验是否真正利用 EEG；这不构成已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其以 MSSM 与 HSSB 从粗到细重建文本—动作融合特征的机制，但作者报告的性能优势及其对 EEG 多模态融合的适用性尚需分别核对与验证。

  13. OpenReview · State space models72

    用于图像去模糊的高效视觉状态空间模型

    基于摘要分析。该研究针对高分辨率图像去模糊中长程依赖建模与计算成本之间的矛盾，提出高效视觉状态空间模型 EVSSM，以视觉扫描模块获取非局部信息，并用频域前馈网络 EDFFN 表征局部信息。 核心机制：摘要指出，ViTs 的计算复杂度随图像分辨率呈二次增长，而现有部分视觉 SSM 方法采用多个固定方向扫描，也会增加计算成本。EVSSM 在各 SSM 模块之前应用不同几何变换，以捕获有用的非局部信息并维持效率；EDFFN 则估计有助于恢复潜在清晰图像的频率信息。具体几何变换、扫描路径、频域运算、损失函数及训练配置尚未验证，不能据摘要确定其复杂度或参数规模。 结果与证据边界：作者报告，EVSSM 在基准数据集和真实图像上相较先进方法表现有利。摘要未提供数据集名称、划分、对照方法、评价指标、数值或运行硬件，因此尚不能量化质量与效率的权衡；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，SSM 的长程建模与频率信息筛选可能用于 EEG 时序去噪，但图像去模糊的二维空间结构及清晰图像恢复目标不能直接等同于 EEG。可考虑复用 SSM 与频域处理思路；扫描和几何变换需依据时间轴、通道拓扑改造，并明确干净信号或其他监督来源。低信噪比下的频率筛选可能误抑制任务相关活动，跨被试差异、通道排列变化及小数据训练也可能削弱效果。一个可检验的小实验是，在固定被试划分和受控噪声条件下，对比 SSM 基线、加入 EDFFN 的版本及改造扫描的版本，同时检查信号恢复与下游任务指标，避免仅凭重建质量判断 BCI 价值。已有相关 EEG 工作尚未检索确认。

    阅读价值：值得关注其通过几何变换组织 SSM 扫描、结合频域前馈网络处理非局部与局部信息的机制，但效率优势、去模糊收益及 EEG 迁移价值仍需核对全文或实验验证。

  14. OpenReview · State space models71

    SSMLoRA：利用状态空间模型增强低秩适应

    基于摘要分析。SSMLoRA 针对语言模型参数高效微调中 LoRA 表现随插入位置变化、部分插入可能造成参数冗余的问题，引入状态空间模型（SSM）连接低秩矩阵，使适配过程能够利用前一低秩空间的计算，并支持更稀疏的插入。 机制上，摘要描述了输入到低秩空间的映射，以及低秩空间之间的计算复用；其目标不仅是减少可训练参数，还包括减少不必要的适配模块插入。SSM 状态如何传递、低秩矩阵如何连接、插入位置如何选择，以及训练损失与推理开销，均需全文核对，不能仅凭摘要确定具体结构。 作者报告，在 General Language Understanding Evaluation（GLUE）benchmark 上，SSMLoRA 使用 LoRA 一半的适配参数即可取得相当表现；这一结论限于摘要所述 GLUE 对照，基础模型、各任务指标、数据划分、低秩维度及参数统计口径尚未验证。作者还认为其结构有望处理更长输入序列，但摘要未提供长序列实验结果，因此不能视为已验证优势。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库链接，代码完整性与可复现性仍待检查。 平台推测（待验证）：若 EEG 预训练模型采用多处 LoRA 适配，可假设低秩空间之间的状态传递有助于减少插入点。可复用的是低秩适配与状态连接思路，需改造的是 EEG 骨干接口、跨模块状态定义及通道布局适配。该假设依赖可适配的预训练骨干和足够的任务监督；低信噪比、跨被试差异、通道变化及小样本可能使共享状态传播噪声或产生过拟合。一个可证伪的小实验是在固定跨被试划分与同一 EEG 骨干上，对比常规 LoRA、稀疏 LoRA 和 SSMLoRA，同时控制可训练参数预算与训练条件，检验收益是否来自状态连接而非参数配置。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 SSM 连接低秩空间是否能降低 LoRA 对插入位置的敏感性：作者报告在 GLUE 上以一半适配参数取得相当表现，但具体参数口径、插入方案与评估协议尚未验证。

  15. OpenReview · EEG69

    超越主观性：基于 EEG 多窗谱估计的连续 VR 晕动症检测

    基于摘要分析。该研究针对 VR 晕动症主要依赖体验后主观问卷、受限运动实验难以刻画症状动态变化的问题，提出利用被动监测的 EEG 与头部运动信号，连续识别并量化用户在自由交互 VR 中的晕动症程度。 方法以 EEG 多窗谱估计（Multitaper Spectrum Estimation）为核心，并结合针对运动伪迹的 EEG 处理技术。作者报告，该方法能够实时追踪晕动症水平，且检测无需用户特定的校准或个性化。摘要未说明头部运动信号如何参与估计、伪迹处理的具体步骤、谱特征如何映射至症状程度，以及是否采用学习模型；这些机制尚未验证。 相较于体验后问卷和运动受限的实验设置，研究的主要贡献在于面向自由交互场景的连续监测，以及降低个体校准需求。作者报告发布了方法实现和一个包含 16 名参与者、总计约 2 小时记录的数据集；这一规模描述不能替代有效性评估，摘要未提供检测性能、量化误差、实时延迟或对照结果。 复现时应核对晕动症标签及其时间分辨率、EEG 与头部运动的同步方式、被试与会话划分，以及无个体校准设定如何落实。尤其需验证输出反映的是症状变化还是运动相关信号，并检查自由运动条件下的稳定性。具体实验协议、消融及统计信息尚未验证，不能仅凭摘要将该方法视为已证实的客观症状测量工具。来源提供了代码链接，但代码与数据的可访问性、依赖环境及完整复现条件尚未核验。

12月31日周二
  1. OpenReview · EEG66

    结合 EEGNet 与 SPDNet：面向想象言语解码的端到端架构

    基于摘要分析。该研究针对从 EEG 解码想象言语的问题，将 EEGNet 与 Cross-Covariance（CCV）矩阵表征结合，并采用 SPDNet 所提出的双线性变换提取判别特征，构建面向想象言语解码的端到端架构。想象言语指在不实际发声的情况下，在脑内模拟给定提示的发音过程。 技术机制上，研究尝试结合 CNN 特征学习与矩阵表征学习：EEGNet 提供卷积建模组件，CCV 矩阵提供另一种信号表示，双线性变换用于从矩阵中提取判别信息。摘要未说明 CCV 矩阵的具体构造、其与 EEGNet 的连接位置，以及满足 SPDNet 相关矩阵约束的处理方式；损失函数、训练流程和推理细节尚未验证。因此，目前能确认的是组件组合思路，不能据此还原完整网络结构。 作者报告，在两个公开数据集上，该方法达到与当时先进方法相当的性能，并在两个数据集上均显著优于 EEGNet。摘要未提供数据集名称、被试数量、评估指标、具体数值，也未交代被试内或跨被试等划分协议，因而无法量化增益或判断其泛化范围。 复现时应重点核对预处理、CCV 计算方式、矩阵约束及数值稳定性、各组件的训练衔接，以及与 EEGNet 对照时的数据划分和训练条件是否一致。实验协议、消融及统计信息尚未验证；代码和实现可得性亦需查阅全文或来源记录确认。

11月12日周二
  1. OpenReview · Representation learning76

    通过指令微调进行无监督文本表示学习，用于零样本稠密检索

    基于摘要分析。该研究针对稠密检索依赖标注数据、低资源场景难以获得监督信号的问题，在双编码器检索框架下对预训练编码器—解码器 LLM 进行指令微调，以学习无监督文本表示并改善零样本检索。 核心机制包含两部分：利用指令微调后的 LLM 生成与语料文本相关的合成查询，并以这些查询的表示增强语料表示；再通过 self-instruct tuning 对齐查询与语料文本的表示。作者将表示增强的理论依据关联到 Rao-Blackwell 定理，但摘要不足以核对其具体估计量、适用假设、表示组合方式及训练目标。 作者在低资源设置下，使用三个英语、两个德语和一个葡萄牙语检索数据集，以 NDCG@10、MRR@100 和 Recall@100 评估方法。作者报告所有指标的平均零样本检索表现均得到改善，相对开箱即用的 FLAN-T5 不同模型变体，绝对 NDCG@10 增益区间为 [4.73%, 6.15%]（保留摘要原文数值表述），并超过四个有监督稠密检索器。数据集名称、训练与测试划分、各指标分项结果、模型规模、对照训练条件及统计显著性检验尚未验证，不能据此认定在所有单独数据集上均占优。 平台推测（待验证）：其较直接的 BCI 应用是领域文献或实验记录的文本检索，而非 EEG 信号表征学习。迁移假设依赖生成模型能够产生准确的 BCI 专业查询；可复用合成查询增强与表示对齐思路，但需验证术语错误和生成偏差是否损害检索。摘要未提供将该机制映射到 EEG 时序、通道或跨被试结构的依据，不能推断其提升 EEG 解码；相关 EEG 工作尚未检索确认。复现还需核对指令模板、合成查询生成设置、表示聚合方式与实现可用性。

    阅读价值：值得核对其利用合成查询增强文档表示并通过自指令微调对齐查询与文档的机制，以及低资源零样本检索增益对模型规模、数据划分和对照设置的依赖。

10月22日周二
  1. OpenReview · Representation learning74

    Sliding Puzzles Gym：用于视觉强化学习状态表征的可扩展基准

    基于摘要分析。该研究针对视觉强化学习中难以将表征学习与策略学习分开评估的问题，提出 Sliding Puzzles Gym（SPGym）。它扩展经典 15-tile puzzle，通过改变网格尺寸和观测空间来调节表征挑战，同时保持潜在环境动力学与算法问题固定，旨在评估智能体构建组合性、可泛化状态表征的能力。 核心机制是控制任务的潜在结构，并扩展视觉观测的复杂度；观测空间可包含大型真实世界图像数据集。该设计提供了一个研究思路：观察智能体表现如何随表征挑战增加而变化，而不只考察单一视觉条件下的任务表现。不过，网格尺寸变化与固定动力学之间如何协调，以及不同难度下如何控制规划负担，仍需查阅正文确认。 作者报告，实验覆盖 model-free 与 model-based RL 算法，并比较有、无显式表征学习组件的设置；随着表征挑战扩大，SPGym 能区分受测智能体的能力。作者还报告，在更高难度下，没有受测算法能够持续表现突出。摘要未提供算法名称、图像数据集、训练规模、数据划分、评价指标或数值结果，实验协议、消融及统计信息尚未验证，不能据此判断具体算法的优势或泛化边界。 平台推测（待验证）：其“固定潜在任务、改变观测难度”的思路可为 EEG 表征评估提供借鉴，但原基准依赖拼图状态和视觉观测，并未验证 EEG/BCI 效果。假设可以构造具有已知潜在状态的 EEG 模拟任务，复用难度分级与受控对照框架，需将图像观测替换为多通道时序，并处理低信噪比、通道差异及跨被试变异。一个可检验的小实验是在固定潜在状态和决策规则下，仅改变模拟 EEG 的噪声水平，比较有、无显式表征模块的状态识别与任务表现；其局限是模拟结构可能不能代表真实 EEG。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 SPGym 在保持潜在环境动力学与算法问题固定的同时扩展视觉表征难度，为区分表征学习与策略学习的影响提供了可核对的评估思路，但其隔离效果与实验细节尚未验证。

10月11日周五
  1. OpenReview · Representation learning76

    通过低维建模理解基于扩散模型的表征学习

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

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

  2. OpenReview · EEG68

    从脑活动重建视觉刺激的联合学习：基于 EEG-Vision Transformer 的图像感知层级表征

    基于摘要分析。该研究针对 EEG 噪声较高、空间分辨率较低条件下的视觉刺激重建问题，提出 Hierarchical-ViT 框架，将分层视觉特征提取、EEG-ViT 信号处理和基于 CLIP 的联合学习结合，再利用 StyleGAN 生成图像。 核心机制是借鉴人类视觉系统的层级处理方式，通过多阶段处理逐步捕获边缘、纹理、形状等视觉特征，并与 EEG-ViT 提取的 EEG 表征对齐，构建用于对比学习的共享潜在空间。StyleGAN 随后依据对齐表征生成高分辨率图像。摘要未给出具体层级构造、EEG 输入组织、CLIP 的使用方式、损失形式及各模块训练或冻结策略，这些实现细节尚未验证。 作者报告，在 EEGCVPR40 和 ThoughtViz 两个基准数据集上，该方法相较已有方法取得更好的生成质量指标：EEGCVPR 上评估 IS、KID、FID，ThoughtViz 上评估 IS、KID。摘要在数据集介绍与结果描述中分别使用 EEGCVPR40 和 EEGCVPR，二者的具体对应关系需核对全文。摘要未提供指标数值、对照方法、数据划分，以及被试内、跨被试或跨会话协议，因此不能据此判断提升幅度或跨被试泛化能力。 作者报告，消融研究支持分层特征提取的可行性，MANOVA 分析支持所学特征空间具有区分性；这些结果尚不足以单独说明图像重建的语义准确性或 EEG 信息的独立贡献。复现时需核对 EEG 预处理、刺激与信号配对、训练测试划分、生成器训练数据和预训练设置，并结合消融及统计结果评估层级视觉表征的实际作用。实验协议、消融及统计信息尚未验证。

10月10日周四
  1. OpenReview · State space models77

    状态空间模型的参数高效微调

    基于摘要分析。本文研究深度状态空间模型（SSMs，如 Mamba）中的参数高效微调（PEFT），比较既有方法的适用性，并分析哪些模块适合微调；在此基础上提出 LoRA with Selective Dimension tuning（SDLoRA），将线性投影矩阵上的 LoRA 与 SSM 模块内的选择性维度更新结合。 作者对四种基础 PEFT 方法进行了经验评估，报告 prompt-based 方法（如 prefix-tuning）在所研究的 SSM 模型与实验条件下不再有效，并提供理论分析支持；相比之下，LoRA 仍然有效。进一步的理论与实验分析表明，在其比较设置中，将 LoRA 应用于线性投影矩阵、而不修改 SSM 模块，效果最佳；作者同时报告，直接用 LoRA 调整 SSM 模块并不有效。这一结论针对具体微调方式，不等于 SSM 内部参数完全不值得更新。 SDLoRA 的机制是在 SSM 模块中选择性更新部分通道和状态，同时对线性投影矩阵应用 LoRA。作者报告该方法优于标准 LoRA，但摘要未给出数据集、任务组成、模型规模、可训练参数预算、指标或提升幅度；维度选择规则、训练配置、实验协议、消融及统计信息尚未验证。复现时需核对各方法的参数预算与训练条件，以及理论结论适用的模型假设。 平台推测（待验证）：若 EEG 任务已有可用的预训练 SSM，该方法可能为小数据微调提供候选方案；但原研究针对语言建模背景下的 SSM，不能据此认定其对 EEG 有效。迁移假设是选择性更新状态维度能够适应 EEG 时序差异，同时限制可训练参数规模。可复用部分是投影矩阵上的 LoRA 与选择性维度更新，需改造 EEG 输入表征及任务输出模块；低信噪比、跨被试差异和通道配置变化可能使所选维度失效。可在固定跨被试划分与匹配可训练参数预算的条件下，小规模比较标准 LoRA 与 SDLoRA，并检查多次运行的稳定性。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其关于 LoRA 在 SSM 内部模块与线性投影矩阵上效果差异的理论和实验分析，为选择参数高效微调的位置提供依据，但具体评估协议与效果幅度尚未验证。

9月28日周六
  1. OpenReview · Representation learning72

    Fed-REACT：面向异质时间序列数据的联邦表征学习

    基于摘要分析。该研究针对联邦学习中客户端数据分布随时间及客户端而变化、进而影响常规联邦算法性能的问题，提出 Fed-REACT，将表征学习与 evolutionary clustering（演化聚类）结合，用于异质时间序列上的本地下游任务。 方法分为两个阶段：首先，客户端学习从本地时间序列提取有意义特征的模型；随后，服务器自适应地将客户端分组，并协调各簇内任务模型的学习，支持分类或回归等表征提取之后的下游任务。其机制重点在于将表征提取与簇级任务学习分开，而不是仅依赖单一全局任务模型。聚类依据、随时间更新的规则、表征模型是否共享以及具体训练目标尚未验证。 作者报告，在真实世界时间序列数据集上的实验中，该算法具有较高准确率和鲁棒性，并提供了性能理论分析。摘要未给出数据集名称、任务划分、对照基线、指标数值或理论成立条件，因此无法量化优势，也无法判断其在不同异质性条件下的稳定程度。实验协议、消融及统计信息尚未验证；复现还需核对客户端构建方式、通信与计算开销及实现可得性。 平台推测（待验证）：假设 EEG 客户端存在可聚类的任务相关分布结构，簇级学习可能缓解跨被试或跨会话差异导致的负迁移；但原领域有效不等于 BCI 有效。可考虑复用客户端分组与簇级协调机制，表征提取器和聚类特征则需适配 EEG 通道与时序结构。低信噪比、通道不一致及单客户端小数据可能使聚类主要反映噪声或采集差异。一个可证伪的小实验是在固定跨被试划分、监督信息和通信预算下，对比单一全局联邦模型、固定聚类与自适应聚类，检验簇级学习是否稳定改善被试级表现；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其表征学习与自适应客户端聚类如何应对时间序列的跨客户端及时间变化异质性，但摘要尚不足以确认性能增益或 EEG 适用性。

  2. OpenReview · Representation learning78

    强化学习中的在线 Laplacian 表示学习

    基于摘要分析。本文研究强化学习中能否在策略更新的同时，在线学习具有理论保证的 Laplacian 表示。作者提出 Asymmetric Graph Drawing Objective（AGDO），并分析在该目标上运行在线投影梯度下降的收敛性质，将图表示学习与持续变化的策略学习过程联系起来。 核心机制是利用底层状态转移图的 Laplacian 矩阵特征向量，将原始状态感知观测编码为有意义的特征。区别于将表示视为固定模块，本文关注策略与图表示同时更新的情形。作者报告，在温和假设及策略学习算法引起的策略漂移有界条件下，在线投影梯度下降具有遍历意义下的收敛性；这不应直接解读为任意策略更新下都能收敛，或每一步表示均收敛。AGDO 的具体形式、投影约束、漂移定义及收敛度量尚未验证。 作者报告，仿真研究支持收敛至真实 Laplacian 表示的理论保证，并讨论不同强化学习算法与在线表示学习的兼容性。摘要未提供环境名称、数据规模、对照基线或量化结果，实验协议、消融及统计信息尚未验证，也无法据此判断样本效率或跨任务泛化的实际增益。 平台推测（待验证）：其潜在 EEG/BCI 关联在于为持续变化的闭环交互状态学习图谱表示，但这是一项迁移假设，而非本文已验证的效果。可复用部分是图谱表示目标与在线更新框架；需改造的部分包括 EEG 状态编码、转移图构建及策略漂移控制。原方法依赖状态转移结构，不能将一般 EEG 时间邻接直接等同于强化学习转移图；低信噪比、跨被试与通道差异、小数据下的图估计误差都可能破坏所需条件。一个小规模检验可在固定被试与通道的闭环任务中，对比冻结表示与 AGDO 在线更新，并控制策略变化幅度，观察表示稳定性及任务表现是否随漂移增大而恶化。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读之处在于作者将策略持续更新引起的表示学习目标变化纳入收敛分析，以策略漂移有界为条件讨论在线 Laplacian 表示学习的可行性；具体假设与仿真协议尚待全文核对。