跳到正文
只看一手#提供代码链接
1月1日周三
  1. 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。

  2. OpenReview · State space models71

    HydraMamba：用于全局点云学习的多头状态空间模型

    基于摘要分析。HydraMamba 面向点云学习中长程依赖建模、无序点集序列化和局部几何学习难以兼顾的问题，提出结合 shuffle serialization、ConvBiS6 与多头 S6（MHS6）的状态空间模型网络。 核心机制：摘要以注意力机制的二次复杂度为背景，利用 Mamba 核心选择性状态空间模型 S6 的线性复杂度与长程建模能力处理全点云交互。shuffle serialization 旨在使无序点集更适配 S6 的因果特性；ConvBiS6 旨在协同捕获局部几何与全局上下文依赖；MHS6 将多头设计扩展到 S6，以增强建模能力。具体排序方式、层内结构、多头融合、损失函数及训练流程尚未验证，不能仅凭模块名称确定其实现。 结果与复现：作者报告 HydraMamba 在物体级和场景级的多项任务上达到 state-of-the-art，但摘要未提供任务名称、数据集、划分、指标数值及对照基线，因此尚不能判断收益大小或跨协议可比性。摘要提供了代码地址，实际可运行性、配置和计算成本尚未验证；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移至 EEG 的假设是，将电极及其空间位置视作带信号特征的点集，复用局部—全局建模与多头 S6 思路，以应对跨通道依赖和局部空间结构建模。原方法依赖点集序列化及几何关系，EEG 则还具有真实时间顺序，需改造输入表征并区分空间扫描与时间因果关系，不能直接将空间 shuffle 用于时间轴。低信噪比、跨被试差异、通道配置变化及小数据过拟合均可能使该假设失效。一个可证伪的小实验是在固定 Cross-subject 划分、相同训练预算下，对比普通 S6 与逐项加入空间 shuffle、局部几何模块和多头设计的版本，观察任务指标及通道扰动下的稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其 shuffle serialization、ConvBiS6 与 MHS6 如何协同处理无序点云的序列化及局部—全局建模，但作者所称领先结果和各模块收益仍需结合全文实验核对。

  3. OpenReview · EEG75

    利用基于黎曼几何的空间滤波（RSF）方法增强运动想象 EEG 分类

    基于摘要分析。该研究针对运动想象（MI）EEG 的非平稳性、低信噪比与噪声敏感性，提出基于黎曼几何的空间滤波方法 RSF，通过低维投影增大不同类别协方差矩阵之间的黎曼距离，以增强分类特征的判别能力。 核心机制是将 EEG 信号投影到低维子空间，并以类间协方差矩阵的黎曼距离作为空间滤波优化依据。与摘要中讨论的 CSP 相比，RSF 强调利用协方差的几何结构进行判别性降维。作者将其定位为可与多种 MI 解码算法结合的空间滤波方法，而非单独替代全部分类流程；具体距离定义、优化方式、投影维数选择，以及滤波器如何接入不同模型尚未验证。摘要提出噪声鲁棒性优势，但其对应的实验条件与证据需查阅全文。 作者在六个公开 MI-BCI 数据集上，将 RSF 与十种解码算法结合评估，包括 CSP-LDA、FBCSP、MDM、TSM、EEGNet、ShallowConvNet（sCNN）、DeepConvNet（dCNN）、FBCNet、Graph-CSPNet 和 LMDA-Net。作者报告 RSF 能显著提高分类 Accuracy 并减少计算时间，尤其适用于计算复杂度较高的深度学习模型；摘要未提供具体分数、提升幅度或计时结果，因此不能量化收益或比较不同评估协议。 复现时应核对数据集名称、被试数、预处理、被试内或跨被试等划分方式，以及空间滤波器的拟合范围、超参数选择和对照配置。计算效率还需区分滤波器优化、模型训练与推理开销，并核对硬件条件。摘要提供了代码仓库地址，但实现完整性、运行环境及结果可复现性尚未验证；实验协议、消融及统计信息尚未验证。

    阅读价值：值得核对 RSF 的类间黎曼距离优化如何兼容传统解码器与深度模型，以及作者报告的准确率和计算时间改善是否在一致的数据划分与计时协议下成立。

  4. OpenReview · State space models63

    用于遥感图像分类的轮廓增强视觉状态空间模型

    基于摘要分析。该研究面向遥感（RS）图像分类，关注深层视觉模型中低层亮度梯度与轮廓信息未被充分利用的问题，提出基于 Vision Mamba（VMamba）的轮廓增强模型 G-VMamba。核心贡献是轮廓增强模块 ConEM，通过融合显式低层特征与学习特征，将轮廓信息引入更深层的表示。 机制方面，摘要描述 ConEM 在各网络层使用两条路径，分别提取自适应亮度梯度和多维卷积特征，再将二者融合，以低层特征约束深层表示。梯度算子的具体定义、自适应方式、融合操作、损失函数及训练配置尚未验证。摘要以视觉 Transformer 的深层特征退化作为动机，但尚不能据此确认 VMamba 中存在同样的退化机制，也不能将轮廓增强直接等同于对该问题的解决。 结果方面，作者报告 G-VMamba 在遥感图像分类实验中表现优于对照，但摘要未提供数据集、划分、指标、具体数值及完整基线配置。作者报告，不同类别的类激活图（CAM）分析显示，相比 VMamba 等模型，G-VMamba 更关注颜色或亮度变化明显的区域；这一观察支持关注区域发生变化，但不能单独证明轮廓信息带来稳健泛化。实验协议、消融及统计信息尚未验证。作者表示代码将公开，当前可用性与复现条件尚未确认。 平台推测（待验证）：若 EEG 被表示为时频图，其局部变化信息可能为深层表示提供补充约束，但遥感亮度边界不等同于神经活动特征。可复用的是“显式局部变化路径与学习特征融合”的思路；梯度方向、尺度与融合位置需适配时间—频率结构，不能默认电极排列具有图像空间邻接关系。低信噪比可能使梯度放大伪迹，跨被试差异和小数据也可能导致过拟合。一个可检验的小实验是在固定 Cross-subject 划分及相同训练预算下，比较时频图 VMamba、加入局部梯度路径的版本和参数量匹配的卷积对照，并检查噪声扰动下的表现。该假设不构成已验证的 BCI 效果，相关 EEG 工作尚未检索确认。

  5. 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。

  6. OpenReview · EEG76

    通过语言引导的对比学习从 EEG 识别自然图像

    基于摘要分析。该研究针对 EEG 自然图像识别中性能与生物学合理性证据不足的问题，提出自监督框架，通过对比学习对齐 EEG 响应与图像刺激的表征，并引入 LLM 生成的刺激描述，引导模型学习核心语义信息。 核心机制是以图像刺激为对应参照学习 EEG 表征，再利用语言描述提供语义引导。摘要未说明语言信息如何参与对齐、具体损失形式、训练与推理流程，因此尚不能判断其独立贡献，也不能确定零样本推理阶段所需的图像或文本输入。 作者报告，在 THINGS-EEG2 的 200 类零样本识别任务中，top-1 Accuracy 为 19.7%，top-5 Accuracy 为 51.5%，并称结果显著高于机会水平。摘要未给出被试内或跨被试协议、训练与测试类别及样本划分、被试数量和统计检验细节；这些结果应限定在所述任务背景下理解，不宜直接与其他划分协议比较。 作者还报告，从时间、空间、频谱和语义角度分析人类视觉 EEG 响应，并通过与 THINGS-Magnetoencephalography（MEG）数据集的比较，为 EEG 图像识别的可行性与合理性提供证据。具体分析方法、对照设置及效应大小尚未验证；摘要对医疗和机器人控制的讨论属于潜在应用方向，而非实际 BCI 应用验证。 材料提供 NICE-LLM 代码仓库，可作为复现入口，但代码内容、数据预处理、运行环境及完整实验协议尚未核验。复现时宜优先核对零样本任务定义、训练测试划分，以及语言引导相对于仅 EEG—图像对齐的增益；消融及统计信息仍需全文确认。

    阅读价值：值得阅读的具体原因是其将 EEG—图像对比学习与 LLM 生成的语义描述结合，并以 200 类零样本识别及多维视觉响应分析考察解码可行性；语言引导的独立增益和评估协议仍需全文核对。

  7. OpenReview · Representation learning72

    面向深度表征学习的动态批次图表征学习

    基于摘要分析。本文研究图像 mini-batch 内的样本依赖建模与上下文增强表征，提出 Dynamic Batch-Graph Representation（DyBGR）：将批内图像构成动态图，通过学习样本关系并传播信息来更新各样本表征。主要研究对象是图像深度度量学习，而非 EEG 或 BCI。 核心机制是以图像样本为节点、样本间依赖为边构建 batch-graph，在相似性、稀疏性和语义相关性约束下动态学习图结构，再沿图交换节点信息。图学习与信息传播联合优化，作者将其实现为可插拔的 DyBGR block，提出可集成至基于 mini-batch 的深度表征学习方案。摘要未给出约束的数学形式、语义信息来源、传播算子或训练与推理时的具体批次构造。 作者认为现有 self-attention 或 patch 维度的局部 self-attention 未充分利用批内样本关系，且对噪声和离群样本敏感；这些是论文的问题定位，仍需全文中的对照实验核实。作者报告深度度量学习实验支持 DyBGR 的有效性，但摘要未提供数据集、划分、基线、指标或数值。实验协议、消融及统计信息尚未验证。作者表示将发布代码，当前材料不能确认代码已公开。 平台推测（待验证）：若 EEG 试次间存在可利用的任务相关关系，批次图学习可能用于增强试次表征，但图像领域有效不等于 BCI 有效。可复用模块是批内建图与消息传播；需要改造 EEG 特征编码、相似性度量及批次采样，并核对语义约束是否依赖标签。低信噪比、跨被试差异、通道配置差异和小数据条件可能使图边反映伪迹或被试身份，造成错误信息传播；预测也可能受同批样本组成影响。 一个可检验的小实验是在固定 EEG 编码器与数据划分下，对比独立试次表征、固定相似图和 DyBGR，分别考察被试内与跨被试表现，并改变测试批次组成检查预测稳定性；不得使用测试标签建图。已有 EEG 相关工作尚未检索确认。

    阅读价值：DyBGR 将批内样本关系学习与图上信息传播联合优化，值得核对其在深度度量学习中的对照效果与批次依赖性，但其对 EEG 表征学习的价值尚未验证。

  8. OpenReview · State space models73

    利用时序状态空间共享实现视频语义分割

    基于摘要分析。本文研究视频语义分割（VSS）中的长时序上下文利用问题，提出 Temporal Video State Space Sharing（TV3S）架构，以 Mamba 状态空间模型实现跨视频帧的时序特征共享，旨在减少逐帧或短窗口处理带来的重复计算与特征存储开销。 核心机制是利用选择性门控传播相关的跨帧信息，避免依赖占用大量内存的特征池。TV3S 对空间 patch 独立处理，并结合 shifted operation，使训练和推理支持高度并行计算；作者称这有助于降低顺序状态空间处理的延迟，并提高长视频序列处理的可扩展性。推理时模型纳入先前帧的信息，以维持长程时序一致性。摘要未说明状态更新公式、门控实现、shifted operation 的具体方式及训练损失，这些细节尚未验证。 作者报告，在 VSPW 和 Cityscapes 视频语义分割评估中，TV3S 优于当前最先进方法，并在长视频序列上保持一致表现；但摘要未提供具体指标、数值、数据划分、对照方法或硬件与效率测量条件，因此尚不能量化其精度与效率收益。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，但代码完整性、依赖环境及结果可复现性尚未核对。 平台推测（待验证）：其潜在可迁移机制是以紧凑状态替代显式历史特征池，用选择性门控保留连续序列中的有效信息，可能对应连续 EEG 解码中的长程依赖与存储开销问题。该假设不等于已证实的 BCI 效果。视频方法依赖空间 patch 及其位移处理，迁移时需改造为 EEG 的通道—时间表示，并适配任务监督；低信噪比可能使门控保留伪迹，跨被试差异和通道布局变化可能破坏状态共享，小数据也可能不足以稳定训练。可在固定划分的连续 EEG 解码任务中，对比匹配骨干的状态共享与状态重置版本，检查任务指标、峰值内存及不同历史长度下的稳定性，并核对分段边界的状态处理。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 TV3S 如何通过选择性门控和跨帧状态共享兼顾长时序建模与计算效率，但其性能优势及对 EEG 的适用性仍需分别验证。

  9. OpenReview · EEG76

    通过语言引导的对比学习从 EEG 识别自然图像

    基于摘要分析。本研究面向从 EEG 视觉响应中识别自然图像的问题，提出自监督框架，通过对比学习对齐 EEG 响应与图像刺激的表征，并利用 LLMs 生成的刺激描述引导模型学习核心语义信息。其贡献在于将语言描述引入 EEG—图像表征对齐，并从多个维度分析视觉响应，以考察识别的可行性与生物学合理性。 核心机制是将刺激图像及其诱发的 EEG 响应联系起来，再以语言描述提供语义引导。摘要未说明 EEG、图像和语言表征的具体编码方式、语言引导的融合位置、损失形式及训练流程，这些实现细节尚未验证。复现时需核对语言描述如何生成、训练与测试类别如何划分，以及语言引导相对于仅使用 EEG—图像对比学习的增益。 作者报告，在 THINGS-EEG2 的 200 类零样本识别任务中，top-1 Accuracy 为 19.7%，top-5 Accuracy 为 51.5%，并称结果显著高于机会水平。摘要未给出被试内或跨被试设置、被试数量、训练与测试划分及统计检验细节，因此这些结果只能在所述任务背景下解读，不能直接与其他协议比较。 作者还报告从时间、空间、频谱和语义角度分析 EEG 视觉响应，并以 THINGS-Magnetoencephalography（MEG）数据集的比较研究支持可行性与合理性判断；具体分析方法、对照结果及其证据强度尚未验证。摘要提供了 NICE-LLM 代码地址，但代码完整性、数据预处理与复现条件尚未核验。医疗与机器人控制属于作者提出的潜在 BCI 应用方向，不代表已经完成应用或临床验证；实验协议、消融及统计信息仍需全文核对。

    阅读价值：值得阅读的是语言语义引导的 EEG—图像对比学习机制及其在 200 类零样本识别中的作者报告结果，但划分协议与语言信息的独立贡献仍需结合全文核对。

  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：利用对应的全色图像（PAN）与低分辨率多光谱图像（LR-MS），重建高分辨率多光谱图像（HR-MS）。作者提出 SDMSPan，以多尺度状态空间建模、PAN 细节引导上采样和中间空间—光谱监督，改善空间细节与光谱信息的联合重建。 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，并在各尺度建模 PAN 与 LR-MS 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），用 PAN 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每个 DGUB 的训练。摘要未给出状态空间模块内部实现、具体损失形式及监督目标的构造方式，这些内容尚未验证。 作者将研究动机归纳为普通 LR-MS 上采样未充分利用领域知识、多尺度空间信息利用不足，以及 CNN 局部感受野和 transformer 二次计算复杂度带来的效果—效率权衡。作者报告，所提方法在性能上显著优于其他先进方法，但摘要未提供数据集、数据划分、对照名称、指标数值、统计检验或运行成本，不能据此判断提升幅度及效率收益。实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但实现完整性、依赖环境与结果可复现性尚未核对。 平台推测（待验证）：可讨论的跨领域机制是多尺度依赖建模与中间监督，而非全色锐化本身。若用于 EEG，需要将图像空间尺度改为时间尺度，并重新设计中间监督；PAN 提供高分辨率空间细节的前提不能直接套用于 EEG 通道。低信噪比、跨被试差异及小样本可能使细节引导强化噪声。一个可检验的小实验是假设：在固定被试内 EEG 划分与相近参数量下，多尺度中间监督比仅使用最终任务监督更稳定；可先保持同一状态空间骨干，仅切换中间监督进行对照。该实验属于平台假设，不是论文结果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 SDMSPan 如何将 PAN 细节引导上采样与多尺度中间监督结合，以及这种组合相对普通上采样的独立贡献；其 EEG/BCI 适用性尚未验证。

  11. 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。

  12. OpenReview · State space models74

    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。本文研究状态空间模型（SSMs）的参数高效微调（PEFT），提出直接调整状态相关特征的方法族，并引入 State-offset Tuning，使适配在每个时间步直接作用于当前状态，而非依赖外部提示。 核心机制与对照：作者将 SSMs 作为缓解 Transformers 二次计算成本的高效替代架构，并指出 Prompt Tuning 和 Prefix-Tuning 等提示式方法在 SSMs 上表现不佳。其方法利用 SSMs 的状态结构，把微调作用点转向状态相关特征。摘要未给出状态偏移的具体参数化、作用位置、损失函数、训练参数比例或推理开销，不能据此确定其实现细节。 证据范围：作者报告在多种数据集上的广泛实验支持该方法的有效性，但摘要未列出数据集、任务、划分协议、对照配置或指标数值，因此无法判断增益大小及适用边界。材料提供了代码地址；代码与实验配置的一致性、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，在已有预训练 SSM 的 EEG 时序任务中，状态侧 PEFT 可能成为有限标注条件下跨被试或跨会话适配的候选机制，而非已证实的 BCI 方法。可复用部分是状态偏移适配思路；需改造 EEG 输入编码、通道映射及任务输出头。该假设依赖兼容的预训练 SSM、时序输入和下游监督，原论文预训练规模及监督配置尚未验证。低信噪比、通道变化、被试差异及小数据可能使状态偏移拟合噪声或无法补偿输入分布变化。一个可检验的小实验是在固定数据划分与标注预算下，比较冻结骨干、State-offset Tuning 和全量微调的跨被试表现，同时记录训练参数量与推理开销；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 State-offset Tuning 对 SSM 状态的适配机制及其与提示式 PEFT 的对照结果，但摘要尚不足以确认性能增益的协议背景或 EEG 迁移效果。

  13. OpenReview · State space models73

    利用时序状态空间共享进行视频语义分割

    基于摘要分析。本文研究视频语义分割（VSS）中逐帧或短时窗处理造成的时序上下文有限、重复计算和内存开销问题，提出 Temporal Video State Space Sharing（TV3S）架构，利用 Mamba 状态空间模型进行跨帧特征共享，以兼顾长时序一致性与计算效率。 核心机制是通过选择性门控传播视频帧之间的相关信息，替代高内存开销的特征池。TV3S 独立处理空间 patches，并引入 shifted operation，以支持训练和推理阶段的高度并行计算；作者称这可降低顺序状态空间处理的延迟，并改善长视频序列的可扩展性。推理时模型利用先前帧的信息，但状态更新公式、门控实现、shifted operation 的具体形式、损失函数和训练配置尚未验证。 作者报告，在 VSPW 和 Cityscapes 数据集上的评估中，TV3S 优于当前最先进方法，并在长视频序列上取得一致结果。摘要未提供具体指标、数值、数据划分、对照基线或效率测量条件，因此无法量化优势，也不能据此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。摘要提供了公开代码仓库，但其运行条件、预训练权重与复现完整性尚未核查。 平台推测（待验证）：迁移假设是，选择性状态共享可能缓解 EEG 长序列处理中固定窗口上下文不足及历史特征缓存开销的问题。原方法依赖视频帧的空间 patch 结构，属于语义分割任务；其监督形式和所需数据规模尚未验证。可考虑复用状态传播与门控思路，但需重新设计 EEG 的时间分块、通道表示及 shifted operation，不能直接照搬图像空间结构。低信噪比可能使门控持续传播伪迹，跨被试差异、通道配置变化和小数据训练也可能削弱收益。一个可检验的小实验是在固定 EEG 任务、相同骨干及相同被试划分下，对比短窗口模型与增加状态共享的模型，同时记录任务指标、峰值内存和推理延迟，并测试序列长度变化及状态重置的影响。上述仅为迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其通过选择性门控与跨帧状态共享替代高内存特征池的机制，并核对长序列精度与效率的评估协议；该机制对 EEG 时序建模的价值尚未验证。

  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。

  16. OpenReview · State space models75

    GroupMamba：高效的基于分组的视觉状态空间模型

    基于摘要分析。GroupMamba 针对纯状态空间模型（SSM）在计算机视觉中扩大模型规模时的训练不稳定与效率问题，提出结合分组扫描、通道调制和蒸馏训练的视觉模型，以改善参数效率及大模型训练稳定性。 核心机制是 Modulated Group Mamba 层：将输入通道划分为四组，每组独立应用一个 Visual Single Selective Scanning（VSSS）块，分别沿四个空间方向之一扫描；再通过通道调制算子改善跨通道信息交流。作者还引入基于蒸馏的训练目标，并报告其带来稳定性改善和一致的性能增益。摘要未说明蒸馏教师、具体损失形式及训练配置，这些细节尚未验证。 作者报告在 ImageNet-1K 图像分类、MS-COCO 目标检测与实例分割、ADE20K 语义分割上优于现有方法。其中，23M 参数的 tiny 变体在 ImageNet-1K 分类评估中取得 83.3% top-1 Accuracy；作者称相较同模型规模下最佳现有 Mamba 设计，参数效率改善 26%。摘要未给出该对照模型名称、效率计算口径及完整评估设置，因此不将这一比例解释为计算量或推理速度提升。实验协议、消融及统计信息尚未验证。作者提供了代码与模型地址，但实现和复现条件尚未核验。 平台推测（待验证）：假设分组扫描与通道调制能用于 EEG 的长时序建模和跨通道交互，其原始机制依赖视觉空间方向及特征通道结构，不能直接等同于电极拓扑。可复用候选是分组处理、SSM 扫描和通道调制；需要改造扫描轴、分组依据及输入表示。低信噪比、跨被试差异、通道配置变化和小数据可能使分组削弱有效关联，也可能限制蒸馏收益。一个可证伪的小实验是在固定 EEG 数据划分、训练预算及参数量下，对比普通 SSM、分组扫描和加入通道调制的版本，分别检验被试内与跨被试性能及多次训练的波动。该假设不属于论文已验证结果；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其分组定向扫描、跨通道调制与蒸馏训练能否分别改善参数效率和训练稳定性，但视觉任务结果不能直接视为 EEG/BCI 有效性证据。

  17. OpenReview · State space models67

    RRG-Mamba：基于状态空间模型的高效放射学报告生成

    基于摘要分析。该研究面向放射学报告生成，试图兼顾视觉特征的全局依赖建模与计算效率，提出基于 Mamba 的 RRG-Mamba 框架；主要贡献是在视觉特征序列建模中引入 rotary position encoding（RoPE），并设计全局依赖学习模块。 机制方面，作者将原版 Mamba 的位置编码对复杂空间依赖的表达限制作为改进动机，利用 RoPE 动态建模视觉特征序列中的相对位置信息，再通过全局依赖学习模块加强长程视觉依赖建模。摘要以状态空间模型的线性复杂度为效率动机，但没有提供完整框架的复杂度推导、模块结构、训练目标或推理流程，不能据此断言整个报告生成系统具有线性复杂度。 结果方面，作者报告在 IU X-Ray 和 MIMIC-CXR 等公开数据集上，相比现有模型，BLEU-4 提升 3.7%，并获得计算与内存效率收益。摘要未说明该提升对应哪个数据集、具体基线、数据划分，也未明确 3.7% 是相对增幅还是绝对百分点；效率收益同样缺少数值和硬件条件，因此不能用于跨协议比较。实验协议、消融及统计信息尚未验证。作者提供了代码链接，但代码完整性、运行环境与复现结果尚未核对。 平台推测（待验证）：可迁移的机制假设是，相对位置建模与全局依赖学习可能帮助 EEG 长序列建模，但原任务依赖具有空间排列的影像特征及配套报告监督，不等于已验证的 EEG/BCI 方法。迁移时可考察 RoPE 与全局依赖模块，需重新定义时间位置和通道空间关系，并改造影像编码及报告生成部分；低信噪比、跨被试差异、通道布局变化和小数据可能削弱收益。一个可证伪的小实验是在同一 EEG 任务、固定被试划分和训练预算下，对比原版 Mamba、加入 RoPE 及加入完整改进模块的版本，同时记录任务指标、推理耗时与峰值内存。已有 EEG 相关工作尚未检索确认。

12月31日周二
  1. OpenReview · State space models73

    MambaMOS：采用运动感知状态空间模型的 LiDAR 三维运动物体分割

    基于摘要分析。该研究针对 LiDAR 运动物体分割（MOS）：利用此前扫描的运动信息，定位并分割当前点云中的运动物体。MambaMOS 的主要贡献是通过时空嵌入与运动感知状态空间模型，加强点云中时间线索和空间信息的耦合，以及同一物体跨时间步的关联建模。 方法包含 Time Clue Bootstrapping Embedding（TCBE）和 Motion-aware State Space Model（MSSM）。TCBE 用于增强点云时空信息耦合，缓解时间线索被忽略的问题；MSSM 通过两个不同的时间建模与关联步骤，强调同一物体在不同时间步的运动状态，并使用改进的状态空间模型表征运动差异。摘要未披露这两个步骤的具体运算、对象关联方式、状态更新方程、损失或训练细节，不能进一步推断实现结构。 作者报告，MambaMOS 在 SemanticKITTI-MOS 和 KITTI-Road 基准上达到最先进性能，并提供公开源码地址。摘要未给出具体指标、数值、数据划分及对照基线，因此尚不能核对优势幅度或比较公平性；实验协议、消融及统计信息尚未验证，代码的可运行性和复现条件也尚未验证。 平台推测（待验证）：其可供 EEG 方法研究参考的是时间线索嵌入与跨时间状态关联，而不是 LiDAR 分割结果本身。迁移假设依赖于 EEG 中存在可稳定追踪的时间结构；点云对象身份及运动差异不能直接等同于 EEG 通道或神经活动状态。可考虑改造输入嵌入和关联模块，但低信噪比、跨被试差异、通道配置变化及小样本均可能使关联失效。一个可检验的小实验是在固定 EEG 任务与划分下，对比普通状态空间模型与加入时间线索嵌入的版本，并保持训练预算一致，检查收益是否稳定。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其时空耦合与跨时间对象关联机制，但摘要不足以确认性能优势的实验条件，也不能据此认定其对 EEG/BCI 有效。

  2. OpenReview · EEG70

    EEG-DIF：通过基于生成式扩散模型的多通道 EEG 信号预测实现癫痫发作早期预警

    基于摘要分析。该研究针对癫痫 EEG 分析中偏重当前信号诊断与分类、较少预测未来变化的问题，提出基于生成式扩散模型的多信号预测算法 EEG-DIF，将多通道 EEG 预测转化为图像补全任务，并利用生成的未来 EEG 数据进行癫痫发作早期预警。 核心机制是把不同脑部位置记录的多通道 EEG 视为时空信号，通过图像补全形式表示和学习通道间时空相关性及未来变化模式。摘要未说明信号到图像的具体映射、历史与未来区域的组织方式、扩散模型结构、损失函数或采样流程，这些实现细节尚未验证。其方法关注未来信号生成，而不仅是对已有片段进行分类；相对于哪些预测或预警基线具有优势，仍需查阅全文。 作者报告，在一个公开癫痫 EEG 数据集上构建并验证 EEG-DIF，方法能够同时预测多通道 EEG 的未来趋势，且基于生成 EEG 数据的癫痫发作早期预警 Accuracy 达到 0.89。摘要未提供数据集名称、被试数、预测时长、预警提前量、被试内或跨被试划分、类别分布及对照基线，因此该数值只能视为作者所述数据集与未明确协议下的结果，不能据此判断跨被试泛化或临床部署效果。 复现时需核对图像化表示是否保留时间与通道关系、信号预测质量如何衡量，以及预测误差如何影响预警判定；还需确认预警窗口、误报评价、数据划分、消融及统计信息。摘要提供了代码仓库地址，但代码完整性、运行条件与结果可复现性尚未验证。该工作主要研究癫痫 EEG 预测与预警，不应直接解读为已经验证的 BCI 解码方法。

    阅读价值：值得阅读的具体原因是 EEG-DIF 将多通道 EEG 未来信号预测转化为图像补全，并将生成信号用于癫痫发作预警；其时空表示方式及预警评估协议值得核对，但临床有效性尚未验证。

  3. OpenReview · State space models72

    TiM4Rec：基于时间感知结构化状态空间对偶模型的高效序列推荐模型

    基于摘要分析。本文研究序列推荐中的效率与性能权衡：作者指出，基于 State Space Duality（SSD）的 Mamba2 虽比基于 State Space Model（SSM）的 Mamba1 具有更高计算效率，但在序列推荐、尤其低维表示场景下可能出现性能下降。为此，作者提出 Time-Aware Mamba for Recommendation（TiM4Rec），通过时间感知机制改善低维 SSD 的表现，并保留计算效率。 核心机制是 Time-aware Structured Masked Matrix。作者认为，借鉴 TiSASRec 的现有时间感知方法直接整合到 SSD 时，存在 Transformer 机制与 SSD 架构融合复杂、时间差建模需要维度扩展而增加计算开销的问题；新方法以结构化掩码矩阵将时间信息纳入 SSD。摘要未给出矩阵构造、时间差编码、损失函数、训练与推理细节，不能据此确定其具体实现或复杂度。作者声称这是序列推荐领域首次针对 Mamba 架构设计的时间感知增强方法，该优先性尚未独立核实。 作者报告，在三个真实世界数据集上的实验显示方法具有优势；摘要未列出数据集名称、划分协议、对照配置、评价指标及具体数值，因而无法判断收益幅度或效率测量条件。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、依赖环境与结果可复现性仍需核对。 平台推测（待验证）：其可供考察的迁移路径是利用显式时间间隔调节 SSD 序列建模，而非已证实的 BCI 方法。假设 EEG 任务存在不规则采样或事件间隔信息，可尝试复用时间感知矩阵与 SSD 模块，但需改造连续多通道信号输入、时间尺度及任务输出；推荐交互序列的监督与数据结构不能直接等同于 EEG。低信噪比、通道差异、跨被试变异及小数据可能使时间信息无效或引入过拟合。一个可证伪的小实验是在固定 EEG 任务与被试划分下，对比普通 SSD、加入真实时间间隔的版本和打乱时间间隔的版本，同时记录任务指标及计算开销。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其 Time-aware Structured Masked Matrix 如何在低维 SSD 中结合时间间隔信息与计算效率，但摘要未提供定量结果，其对 EEG 序列建模的价值尚未验证。

  4. OpenReview · State space models67

    RS3Mamba：用于遥感图像语义分割的视觉状态空间模型

    基于摘要分析。本文研究遥感图像语义分割中局部特征提取与长程关系建模的结合，提出双分支网络 RS3Mamba：以卷积主分支提取特征，以视觉状态空间（VSS）辅助分支补充全局信息，并通过 collaborative completion module（CCM）增强和融合双编码器特征。 核心机制：作者将 CNN 的长程建模能力限制与 Transformer 的计算复杂度作为研究动机，采用以 Mamba 为代表的 VSS 模型进行具有线性计算复杂度的长程关系建模。RS3Mamba 并非单纯以 Mamba 替代卷积，而是保留卷积主分支，再引入 VSS 辅助分支；CCM 用于协调两类分支的不同特征。具体扫描方式、网络层数、损失、训练与推理配置尚未验证，也不能将 VSS 的复杂度描述直接视为整网实测效率结论。 实验与证据：作者报告在 ISPRS Vaihingen 和 LoveDA Urban 两个遥感语义分割数据集上的实验支持方法有效性及应用潜力，但摘要未提供指标数值、数据划分、对照基线或效率测量。实验协议、消融及统计信息尚未验证。作者声称这是首个专门面向遥感图像语义分割的 vision Mamba，该优先性尚未独立核实。摘要称代码将公开，当前可用性与复现条件尚未验证。 平台推测（待验证）：可检验的迁移假设是，将卷积局部建模与状态空间长程建模的互补机制用于 EEG 时频表示，而非迁移遥感分割任务本身。该假设依赖有意义的二维排列与足够的任务监督；可能复用双分支融合思路，但需改造输入编码、扫描顺序和输出头。EEG 的低信噪比、通道排列差异、跨被试分布变化及小数据规模可能使辅助分支学习无关结构。一个小规模检验是在固定 EEG 任务及同一跨被试划分下，对比卷积基线、加入 VSS 辅助分支、再加入 CCM 的版本，同时核对任务指标与计算开销。原文未报告 EEG/BCI 实验，已有相关工作尚未检索确认。

10月2日周三
  1. OpenReview · EEG76

    利用静息态 EEG 信号进行被试自适应迁移学习的跨被试 EEG 运动想象分类

    基于摘要分析。该研究针对跨被试 EEG 运动想象（MI）分类中的个体差异，提出利用目标被试静息态（RS）EEG 进行被试自适应迁移学习的方法，旨在减少适应过程中对目标被试任务特定（TS）EEG 的依赖。 核心机制是将提取的特征解耦为任务依赖特征与被试依赖特征，并据此校准 RS EEG，使其在保留被试特征的同时获得任务信息。随后利用校准后的信号适应目标被试，作者将其描述为模拟模型处理该被试 TS EEG 的过程。与依赖目标被试 TS EEG 进行训练的思路相比，该方法将更易采集的 RS EEG 作为适应信息来源；因此，跨被试评估并不等同于完全不使用目标被试数据。 作者报告，该方法在三个公开基准的跨被试 EEG MI 分类中取得最先进的 Accuracy，但摘要未提供基准名称、具体数值、被试划分、对照方法或统计不确定性，无法据此量化优势。需结合全文核对特征解耦与信号校准的实现、损失及适应流程、目标被试 RS EEG 的采集量和标签需求，以及训练与测试数据的隔离方式；实验协议、消融及统计信息尚未验证。 作者提供了代码仓库，但代码可运行性及其与论文实验的一致性尚未验证。复现时值得重点检验 RS 校准相对于直接使用 RS 数据或不进行目标被试适应的增益，并核对不同采集状态与跨会话变化下的稳定性。静息态采集是否实际降低总校准时间，也需要采集流程与成本证据支持，不能仅由分类性能推断。

    阅读价值：值得核对其利用目标被试静息态 EEG 替代任务特定 EEG 进行适应的机制与评估协议，这为降低跨被试 MI 校准采集负担提供了具体研究路径，但摘要尚不足以验证性能优势及实际采集成本。

9月26日周四
  1. OpenReview · State space models75

    START：具有显著性驱动的 token 感知变换的广义状态空间模型

    基于摘要分析。本文研究由 CNN、ViT 与 Mamba 等架构承载的域泛化问题：利用多个源域训练，使模型泛化至未见目标域。作者提出 START，在状态空间模型（SSM）的输入依赖矩阵中，对显著 token 的域特异特征进行选择性扰动与抑制，以减少域间差异；原研究并非 EEG 或 BCI 验证。 核心机制：作者认为，CNN 的有限感受野容易产生纹理偏置，而 ViT 的全局建模伴随自注意力的二次复杂度。Mamba 提供随序列长度线性增长的计算复杂度，但作者分析发现，其输入依赖矩阵可能累积并放大域特异特征，损害泛化。START 将干预位置放在这些矩阵及其显著 token 上。显著性如何计算、扰动如何实施、训练目标及推理时是否启用变换，摘要未说明，尚未验证。 结果与复现：作者报告，在五个基准上，START 优于已有 SOTA 域泛化方法，并保持高效的线性复杂度。摘要未提供基准名称、指标数值、域划分、对照配置或实际运行开销，无法据此比较收益幅度。作者提供了代码链接，但代码完整性、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 的跨被试或跨会话差异也通过输入依赖矩阵被放大，这种矩阵内的选择性干预可能用于抑制域特异信息。可复用的是干预思路，需改造 EEG 的时序或通道 token 构造及显著性估计；其训练还依赖多个源域。低信噪比下，显著 token 可能对应伪迹，也可能承载任务有效信号，抑制不当会损害解码；通道差异及小数据也可能使显著性估计不稳定。可检验的小实验是在固定 EEG 数据与留一被试域泛化划分下，对比同一 Mamba 基线及加入该变换的版本，保持训练预算一致，并核对显著性选择的作用。已有相关 EEG 工作尚未检索确认。

    阅读价值：值得核对的是作者对 Mamba 输入依赖矩阵累积域特异特征的机制分析，以及显著 token 扰动能否在维持线性复杂度的同时改善域泛化；其 EEG 适用性尚未验证。

  2. OpenReview · Representation learning76

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

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

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

  3. OpenReview · State space models74

    Multi-Scale VMamba：层级内嵌层级的视觉状态空间模型

    基于摘要分析。研究针对视觉 State Space Models（SSMs）中多扫描策略带来的冗余，提出 Multi-Scale Vision Mamba（MSVMamba），通过多尺度二维扫描与通道混合模块改善效率和性能之间的权衡。 核心机制：作者分析认为，长程依赖是多扫描策略有效的重要原因。MSVMamba 在原始及下采样特征图上进行多尺度二维扫描，旨在保留长程依赖学习能力并降低计算成本；同时引入 Convolutional Feed-Forward Network（ConvFFN），补充通道混合。摘要未给出具体扫描路径、下采样配置、模块结构、损失或参数量，相关细节尚未验证。 作者报告：MSVMamba-Tiny 在 ImageNet 上取得 83.0% top-1 Accuracy；在 COCO 上，采用 Mask R-CNN 框架及 1x 训练日程，取得 46.9% box mAP 和 42.5% instance mAP；在 ADE20K 上采用单尺度测试，取得 47.9% mIoU。摘要未提供具体对照结果或实测计算开销，不能据此确认相对优势幅度。实验协议、消融及统计信息尚未验证。材料提供了代码仓库，但实现与复现条件尚未核对。 平台推测（待验证）：迁移假设是，多尺度扫描可能用于 EEG 的长短时程依赖建模，缓解长序列计算负担，但原方法依赖视觉二维特征图，不能直接等同于 EEG 通道与时间结构。可考虑复用 SSM 和多尺度处理思路，改造扫描顺序、下采样方式及通道混合模块。风险包括下采样丢失短暂 ERP 或高频信息、空间邻接不匹配，以及跨被试、通道变化和小数据条件下泛化不足。一个可证伪的小实验是在固定 EEG 任务与跨被试划分下，对比单尺度与多尺度扫描，控制参数量和训练预算，同时记录任务指标、延迟及短时事件识别表现。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其多尺度扫描能否在保留长程依赖建模能力的同时降低计算开销，以及 ConvFFN 的独立贡献；摘要提供了多任务结果，但效率收益与消融证据尚未验证。

  4. OpenReview · EEG76

    基于 EEG 嵌入与引导扩散的视觉解码和重建

    基于摘要分析。该研究针对 EEG 视觉解码与图像重建，提出端到端零样本框架：通过 Adaptive Thinking Mapper（ATM）将神经信号映射到与 CLIP 嵌入共享的子空间，再用两阶段、多路引导的扩散生成策略结合高层语义与低层视觉信息。 机制方面，第一阶段将 EEG 嵌入与高层 CLIP 嵌入对齐，并通过先验扩散模型将 EEG 嵌入细化为图像先验；同时从 EEG 解码模糊图像，以保留低层特征。第二阶段将高层 CLIP 嵌入、模糊图像以及从 EEG 潜变量得到的文本描述共同输入预训练扩散模型。其方法特点是以互补条件引导生成，而非仅依赖单一语义嵌入。摘要未说明 ATM 的具体结构、对齐损失、文本描述生成方式及各模块的训练或冻结策略，相关细节尚未验证。 作者报告，该框架在零样本视觉分类、检索和重建任务上达到 SOTA，并在 MEG 数据模态上展示了适用性；作者还分析了不同时间窗与脑区对解码和重建的影响。但摘要未提供数据集、被试数、具体指标、数值或对照基线，也未明确零样本的类别划分及被试内、跨被试或跨会话设置，因此不能据此判断性能提升幅度或泛化范围。 复现时应重点核对零样本训练与测试划分、视觉刺激及 EEG 预处理、扩散模型的预训练来源，以及高层嵌入、模糊图像和文本描述各自的贡献。图像生成的语义一致性与 EEG 所支持的细节恢复能力需分开评估，生成图像逼真不直接等同于忠实重建。摘要提供了代码仓库链接，但代码可用性、运行条件、实验协议、消融及统计信息尚未验证。作者提出的 BCI 应用潜力也不等同于已完成在线或实际应用验证。

    阅读价值：值得阅读的具体原因是其将 EEG 对齐的高层语义、低层模糊图像与潜变量生成的文本描述共同用于扩散重建，可重点核对各引导信息的贡献及零样本评估协议；作者报告的性能优势尚需全文验证。

  5. OpenReview · State space models79

    VMamba：视觉状态空间模型

    基于摘要分析。该研究针对计算机视觉网络的计算效率问题，将状态空间语言模型 Mamba 改造为视觉骨干 VMamba，提出通过二维扫描聚合上下文信息的架构，并以线性时间复杂度为设计特征。 核心机制是由 Visual State-Space（VSS）块构成网络，并在其中使用 2D Selective Scan（SS2D）模块。SS2D 沿四条扫描路径遍历二维数据，以衔接一维 selective scan 的有序处理方式与二维视觉数据的非序列结构，从不同方向收集上下文信息。作者据此构建一组 VMamba 架构，并通过架构及实现层面的优化加速；具体扫描顺序、网络配置、训练损失及优化细节尚未验证。 作者报告，VMamba 在多种视觉感知任务中表现良好，相较所比较的基准模型具有更好的输入规模扩展效率。摘要未提供具体任务、数据集、指标数值、对照模型或计算成本测量条件，因此尚不能核对性能与效率之间的权衡。实验协议、消融及统计信息尚未验证。摘要提供了源码仓库，但代码与论文实验的一致性、运行环境及复现成本仍需核对。 平台推测（待验证）：迁移假设是，将 SS2D 用于 EEG 的通道×时间表示，可能为长时间窗与跨通道上下文建模提供一种计算效率较高的路径；这不是已验证的 EEG/BCI 结果。原方法依赖具有二维组织结构的视觉输入，而 EEG 通道顺序不天然等同于规则图像网格，需改造通道排列、空间编码及输入适配模块。低信噪比、跨被试分布变化、通道配置差异和小数据训练可能使视觉扫描机制失效。可检验的小实验是在同一 EEG 数据集、固定 Cross-subject 划分及训练预算下，对比二维扫描与一维时间扫描，并扰动通道排列，检验收益是否依赖人为顺序，同时测量不同时间窗长度下的运行成本。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其用四条扫描路径将一维 selective scan 适配二维视觉数据的机制及输入规模扩展效率评估，但该机制对 EEG 的适用性尚未验证。

  6. OpenReview · State space models75

    MVGamba：将 3D 内容生成统一为状态空间序列建模

    基于摘要分析。MVGamba 针对 3D Gaussian 重建中的多视角不一致与纹理模糊问题，提出基于类 RNN 状态空间模型（SSM）的轻量多视角 Gaussian 重建器，并结合现成的多视角扩散模型，统一处理单张图像、稀疏图像或文本提示驱动的 3D 内容生成。 核心机制是沿序列传播包含多视角信息的因果上下文，支持跨视角自细化，同时以线性复杂度生成用于细节建模的长 Gaussian 序列。作者将既有方法的问题归因于采用计算密集型架构时对多视角信息传播的妥协；这一解释及其因果证据仍需正文核对。摘要未给出具体序列组织、SSM 实现、损失函数及训练配置。 作者报告，在所评估的各类 3D 内容生成场景中，MVGamba 优于先进基线，模型规模约为对照的 0.1 倍。摘要未明确该比例对应哪些模型，也未提供数据集、划分、评价指标或具体分数，因而不能据此推断推理速度或显存收益。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但代码内容与复现条件尚未核验。 平台推测（待验证）：可迁移假设是，SSM 的递归上下文传播或可用于 EEG 长时序建模；原方法依赖多视角图像结构及 3D 重建目标，并不直接对应 EEG 监督。可借鉴状态传播模块，但需重新设计时间与通道的序列组织、输入表征和任务输出，不能直接沿用 Gaussian 生成头。低信噪比可能使状态累积噪声，跨被试与通道差异可能破坏上下文一致性，小数据也可能限制训练。一个可证伪的小实验是在固定 EEG 数据划分与训练预算下，对比保留状态传播和重置状态的模型，检验较长上下文是否稳定改善任务指标。尚未检索确认已有 EEG 相关工作。

    阅读价值：值得阅读其以 SSM 传播跨视角上下文并生成长 Gaussian 序列的机制；作者报告以约 0.1 倍模型规模优于对照，但具体评估协议与 EEG 迁移价值尚未验证。

  7. OpenReview · State space models74

    PointMamba：用于点云分析的简单状态空间模型

    基于摘要分析。本文研究点云分析中全局建模与计算成本之间的权衡，提出 PointMamba，将源自 NLP 的 Mamba 状态空间模型（SSM）用于点云分析，以线性复杂度算法替代具有二次复杂度的注意力机制。 核心方法是利用空间填充曲线进行点 token 化，并采用简单、非层级的 Mamba 编码器作为骨干。其设计关注如何将三维点云组织成可供序列模型处理的表示，再通过 Mamba 完成全局建模；摘要未说明具体曲线类型、token 构造细节、训练目标及推理设置，相关机制仍需全文核对。 作者报告，在多个数据集的评估中，PointMamba 获得更优性能，同时显著降低 GPU 显存使用与 FLOPs。摘要未提供数据集名称、任务、划分、对照模型和具体数值，因此无法量化优势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。材料提供了代码仓库，但代码完整性、环境依赖及复现条件尚未核查。 平台推测（待验证）：可迁移的假设是，按空间结构组织 token 后使用 Mamba，可能为多通道 EEG 的长序列建模提供较低成本的方案，而非点云结果直接证明 BCI 有效。原方法依赖点云空间结构；迁移时可考虑复用 Mamba 编码器，但需重新设计电极空间与时间维度的 token 化、排序和任务监督。EEG 的低信噪比、跨被试差异、通道布局变化及小数据训练都可能使该排序不稳定，或削弱模型收益。一个可检验的小实验是在固定数据划分与训练预算下，对比空间排序、随机排序及注意力基线，分别记录任务指标、显存和 FLOPs，检验空间组织是否确有贡献。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其以空间填充曲线组织点云 token、结合非层级 Mamba 编码器实现线性复杂度全局建模的设计，但具体性能与资源优势需核对全文，EEG 迁移价值尚未验证。

5月18日周六
  1. OpenReview · State space models73

    STG-Mamba：通过选择性状态空间模型进行时空图学习

    基于摘要分析。本文面向动态、异质且非平稳的时空图（STG）预测问题，提出 STG-Mamba，将图网络视为随时间演化的系统，以选择性状态空间模型学习潜在时空特征，并结合 Kalman Filtering Graph Neural Networks（KFGN）融合不同时间粒度的图嵌入。 核心机制：作者认为，既有部分 GNN 方法侧重节点间关系，对系统内在特征随时间演化的建模不足。STG-Mamba 使用 Spatial-Temporal Selective State Space Module（ST-S3M）关注选定的 STG 潜在特征；KFGN 则采用基于 Kalman Filtering 统计理论的可学习方法，动态整合并更新多时间粒度嵌入。摘要未披露具体状态更新方程、图构建方式、损失函数及训练设置，不能据此确定其实现细节。作者将该工作称为利用选择性状态空间模型开展 STG 学习的首次探索，该优先性尚未独立核实。 结果与复现：作者报告，在三个 STG 预测基准数据集上，STG-Mamba 的预测表现优于所比较的现有方法，并降低 FLOPs 与测试推理时间。摘要未提供数据集名称、划分协议、指标数值、对照配置或计时条件，性能与效率优势的幅度及适用范围尚未验证；实验协议、消融及统计信息尚未验证。材料提供了实现代码地址，但代码内容与可复现性未核验。 平台推测（待验证）：若将 EEG 通道作为节点、时间窗作为动态图序列，系统状态演化与多时间粒度融合可能对应 EEG 非平稳性及不同时间尺度信息整合的瓶颈。这一假设依赖可靠的图结构和足够的时序训练数据，不能由原领域结果直接推出 BCI 有效性。可考察复用 ST-S3M 与 KFGN，但需改造通道图、输入特征和任务输出；低信噪比、跨被试差异、通道配置变化及小样本可能削弱状态估计和嵌入融合。一个可检验的小实验是在固定 EEG 数据划分与相同输入条件下，比较基础图时序模型、加入 ST-S3M、再加入 KFGN 的任务指标及推理耗时。已有 EEG 相关工作尚未检索确认。

    阅读价值：STG-Mamba 将选择性状态空间建模与基于 Kalman Filtering 的多时间粒度图嵌入融合结合，值得核对其时空预测性能与计算效率的实验依据，但其对 EEG/BCI 的适用性尚未验证。

5月2日周四
  1. OpenReview · Representation learning78

    结合拓扑的深度回归表征学习

    基于摘要分析。本文研究回归任务中的表征拓扑如何影响学习效果，并提出回归专用正则化方法 PH-Reg，使特征空间的内在维度与拓扑结构匹配目标空间。主要研究对象是通用回归表征学习，而非 EEG 或 BCI。 作者区分了分类与回归的表征需求：分类强调类别分离，回归则要求表征保留目标的序关系与连续性。以 Information Bottleneck（IB）为分析框架，作者建立两项联系：较低的特征内在维度意味着较低的表征复杂度，文中以给定目标 Y 时表征 Z 的条件熵量化该复杂度，并将其联系到泛化误差上界；与目标空间拓扑相似的特征空间更符合 IB 原则。这些结论的具体假设、证明条件及适用范围需查阅全文核对。 PH-Reg 据此约束特征空间与目标空间的维度和拓扑匹配。摘要未给出拓扑的计算方式、正则项形式、训练权重或计算开销，不能据方法名补推实现细节。作者报告该方法在合成及真实世界回归任务中具有收益，但摘要未提供数据集、划分、对照方法和具体指标，实验协议、消融及统计信息尚未验证。材料提供了代码地址，但代码内容与复现条件尚未核验。 平台推测（待验证）：若 EEG 连续变量解码中的目标具有稳定的低维连续结构，PH-Reg 可能用于约束回归表征，缓解小数据下表征过度复杂的问题。这一假设依赖目标空间的可估计结构和连续标签监督，可尝试复用正则化思想，但需针对 EEG 时序编码器、通道布局及跨被试差异调整。低信噪比、标签噪声或目标与神经信号并非简单拓扑对应时，强制匹配可能损失有效信息。一个可检验的小实验是在固定 EEG 连续回归任务、编码器及跨被试划分下，比较加入 PH-Reg 前后的同一回归指标，并检查正则强度变化是否稳定改善泛化；这不是已证实的 BCI 效果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是作者将回归表征的内在维度与拓扑结构联系到 Information Bottleneck，并据此提出 PH-Reg；其理论适用条件及对连续神经信号解码的迁移价值尚未验证。

  2. OpenReview · State space models80

    状态空间模型的无状态推理：传递函数方法

    基于摘要分析。该研究面向深度学习中的序列建模，通过状态空间模型的对偶表示——传递函数——设计序列并行的无状态推理算法，旨在避免状态规模增大带来的显著内存与计算开销。其主要研究对象是通用序列建模，并非 EEG 或 BCI。 核心机制是对频域传递函数进行参数化，利用该表示的性质，通过一次 Fast Fourier Transform 直接计算对应卷积核的频谱。作者称，该推理算法的内存与计算成本不会随状态规模增加而显著增长；但摘要不足以确认其完整复杂度、适用条件，以及序列长度增长时的开销。参数化具体形式、训练目标和推理实现尚未验证。 作者报告，在 Long Range Arena benchmark 上，跨多个序列长度与状态规模的实验中，相比采用时域参数化的 S4 层，训练速度平均提升 35%；作者同时称，下游性能达到其他无注意力方法中的领先水平，但摘要未给出具体任务分数及比较范围。语言建模实验中，作者报告，仅引入该传递函数参数化即可相对长卷积 Hyena 基线改善 perplexity，具体数据集、数值与训练配置尚未验证。上述结果不能直接解释为在线流式推理加速或 EEG 解码收益。摘要提供了代码地址，复现仍需核对硬件、计时范围、模型配置、数据划分、消融及统计信息。 平台推测（待验证）：若 EEG 任务需要对较长时间窗进行序列建模，该频域卷积机制可能降低扩大状态规模的工程成本。可复用部分是传递函数参数化与卷积核频谱计算；需适配的部分包括多通道输入、采样率、时间窗及任务读出。其原始证据来自通用序列和语言建模，不能据此确定所需 EEG 数据规模或监督条件。低信噪比、跨被试分布变化、通道差异及小数据过拟合都可能使原领域收益无法迁移。一个可检验的小实验是在固定 EEG 数据划分下，分别按被试内与跨被试协议比较该方法与 S4，保持输入窗口、训练预算和硬件一致，同时记录任务指标、训练耗时及峰值显存。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其传递函数参数化如何降低大状态空间下的计算与内存开销，以及相对 S4 和 Hyena 的效率与性能收益是否在一致实验条件下成立；其 EEG/BCI 适用性尚未验证。

1月16日周二
  1. OpenReview · Representation learning78

    作为 Bellman 方程隐式约束的表征秩自适应正则化

    基于摘要分析。本文研究深度强化学习（DRL）中价值网络的表征秩控制问题：作者认为，一味增大表征秩可能引入过高的模型复杂度并损害性能，提出 BEllman Equation-based automatic rank Regularizer（BEER），以 Bellman 方程提供的约束自适应调节表征秩。 核心机制是从 Bellman 方程推导价值网络对连续状态—动作对的表征余弦相似度上界，再利用该上界构建正则项。与无界增大表征秩的思路相比，BEER 的目标是按价值学习约束调节表征容量，而非单纯追求更高秩。上界的成立假设、正则项具体形式、秩的测量方式及优化细节尚未验证。 作者报告，示例实验支持自动秩控制的有效性；将 BEER 与确定性策略梯度方法结合后，在 12 个具有挑战性的 DeepMind 连续控制任务上大幅优于基线，并在 Q-value 近似方面表现出优势。摘要未提供具体任务名称、基线、指标数值或统计结果，因此无法量化优势或判断各任务上的一致性。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但实现与复现条件尚未核对。 平台推测（待验证）：该机制与 EEG/BCI 的潜在对应限于具有状态—动作—奖励及转移结构的闭环强化学习场景，不能直接用于普通 EEG 分类并假定有效。假设 Bellman 约束有助于控制低信噪比神经状态表征的复杂度，可尝试复用价值网络的相似度约束与正则化模块，但需改造 EEG 状态编码、动作和奖励定义。跨被试差异、通道变化、小数据及不稳定奖励均可能削弱这一约束的作用。可检验的小实验是在同一闭环 EEG 任务、固定数据划分和交互预算下，对比无正则化与 BEER，联合检查回报、Q-value 误差和表征秩是否一致改善；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对的是 BEER 如何将 Bellman 方程导出的表征相似度上界转化为自适应秩正则化约束；作者报告其改善连续控制与 Q-value 近似，但对 EEG/BCI 的适用性尚未验证。

1月1日周一
  1. OpenReview · State space models69

    SMamba：用于高光谱图像分类的空间–光谱状态空间模型

    基于摘要分析。本文针对高光谱图像（HSI）空间分辨率低、光谱信息复杂，以及 Transformer 建模空间–光谱长程依赖计算成本较高的问题，提出空间–光谱状态空间模型 S²Mamba，分别提取空间与光谱上下文并自适应融合，用于地表覆盖分类。来源标题使用 SMamba，摘要中的方法名为 S²Mamba，此处保留这一命名差异。 核心机制是沿不同维度设置两个选择性结构化状态空间模型：Patch Cross Scanning 模块通过像素与相邻像素的交互捕获空间上下文；Bi-directional Spectral Scanning 模块从连续光谱波段中提取语义信息。Spatial-spectral Mixture Gate 使用一组可学习矩阵融合两个维度的表征，以适应均质场景与复杂纹理场景的不同需求。摘要将 Mamba 的线性复杂度与 Transformer 的二次复杂度作为方法动机，但完整模型的实际计算量、显存占用及速度对照尚未验证。 作者报告在 HSI 分类基准上的实验支持该方法的优势，但摘要未给出数据集名称、训练与测试划分、对照方法或具体指标，不能据此量化收益。实验协议、消融及统计信息尚未验证。摘要表示代码将公开，不等于已确认代码、权重及复现配置可用。 平台推测（待验证）：假设 EEG 数据具有可利用的通道拓扑与时间或频率邻接结构，分维扫描和门控融合可能用于缓解长序列建模成本，并分别处理空间与时频信息。但 HSI 的规则像素邻接、连续光谱结构不能直接等同于 EEG 电极布局与频段关系，需要改造扫描顺序、输入表征和邻接定义；低信噪比、跨被试差异、通道缺失及小样本训练可能使融合门过拟合。一个可检验的小实验是在固定跨被试划分与相同训练预算下，对比单维扫描、双维扫描及加入融合门的版本，报告同一分类指标与计算成本。已有 EEG 相关工作尚未检索确认。

  2. OpenReview · State space models71

    RSCaMa：基于状态空间模型的遥感图像变化描述

    基于摘要分析。本文研究遥感图像变化描述（RSICC）：根据两个时相的遥感图像，用语言描述地表变化对象的类别、位置及新增或消失等变化状态。作者提出 RSCaMa，通过多个 CaMa 层迭代细化双时相特征，旨在实现高效的联合空间—时间建模；主要研究对象是遥感图像，而非 EEG 或 BCI。 空间建模方面，作者引入具有全局感受野与线性复杂度的 Mamba，并提出 Spatial Difference-aware SSM（SD-SSM），以增强空间变化感知，针对既有 CNN 与 Transformer 方法在感受野或计算复杂度上的限制。时间建模方面，Temporal-Traversing SSM（TT-SSM）以时间交叉方式扫描双时相特征，促进两个时相之间的信息交互。摘要未披露差异信息的具体注入方式、扫描序列构造、损失函数与训练配置，不能据此还原实现。 作者报告实验支持联合空间—时间建模的有效性及 RSCaMa 在 RSICC 任务中的性能，但摘要未给出数据集、划分、评价指标或具体数值。作者还系统比较了 Mamba、GPT-style decoder 与 Transformer decoder 三类语言解码器；其性能与效率取舍需查阅正文。实验协议、消融及统计信息尚未验证。摘要称代码将公开，实际可用性尚未验证。 平台推测（待验证）：可迁移的机制假设是，以差异感知和交叉扫描建模两段对齐 EEG 的状态变化，而非直接迁移遥感语言描述任务。该路径依赖可比较的双段数据、合理的通道对应关系及任务监督；可考察 SD-SSM、TT-SSM 的特征交互思路，但需重构通道—时间表示与扫描顺序，并使用适合 EEG 的输出头。低信噪比、通道布局差异、跨被试分布变化及小数据可能使差异表征捕获伪迹而非任务信息。可检验的小实验是在同一 EEG 数据划分与训练预算下，对照单段 Mamba、双段特征融合及交叉扫描方案，检验交叉扫描是否提供稳定增益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其差异感知空间建模与双时相交叉扫描机制，以及三类语言解码器的对照；摘要未提供量化结果，其向 EEG 时空建模的迁移价值尚未验证。

  3. OpenReview · State space models70

    PointMamba：用于点云分析的简单状态空间模型

    基于摘要分析。该研究面向点云分析中全局建模能力与计算成本的权衡，提出 PointMamba，将源于 NLP 的 Mamba 状态空间模型（SSM）用于点云任务。其核心贡献是采用空间填充曲线进行点标记化，并以简单、非层级的 Mamba 编码器作为骨干，探索替代具有二次复杂度注意力机制的线性复杂度方案。 机制上，空间填充曲线为三维点云构造可供序列模型处理的 token 顺序，Mamba 编码器承担全局建模。摘要未提供具体曲线类型、token 构造细节、监督方式、损失函数或训练规模，这些内容尚未验证。该方法的主要研究对象是三维点云，而不是 EEG 或 BCI。 作者报告，在多个数据集上的评估中，PointMamba 获得更优表现，同时显著降低 GPU 显存使用量和 FLOPs；但摘要未列出数据集名称、任务、划分、对照基线及具体数值，因此无法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。材料提供了代码仓库，复现前仍需核对配置、依赖、数据处理及资源测量条件。 平台推测（待验证）：若将 EEG 通道视为带空间坐标的采样点，空间排序与 Mamba 序列建模可能为多通道建模提供一种假设，但点云的空间结构并不等同于 EEG 的时空结构。可复用的是空间排序思路和编码器，需改造输入标记化及时间维处理；低信噪比、跨被试差异、通道布局变化和小样本训练均可能削弱收益。一个可检验的小实验是在固定跨被试划分和相同预处理下，对比空间填充曲线排序与固定通道排序的 Mamba 模型，同时记录任务指标、显存与 FLOPs，以检验空间排序是否带来稳定增益。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 PointMamba 将空间填充曲线点标记化与非层级 Mamba 编码器结合，为点云全局建模提供线性复杂度基线；其性能和资源收益仍需结合全文实验协议核对，EEG 适用性尚未验证。

  4. OpenReview · State space models73

    Mamba2D：面向视觉任务的原生多维状态空间模型

    基于摘要分析。该研究针对视觉状态空间模型（SSMs）将二维图像转化为一维扫描序列时产生的空间建模偏置，提出 Mamba2D：从原生多维形式重新推导选择性状态空间方法，在构造隐藏状态时直接考虑输入的两个维度。 核心机制与对照：摘要将既有视觉 SSM 路径概括为通过组合多个一维扫描方向捕获二维空间依赖；Mamba2D 则采用单一二维扫描方向，原生纳入两个维度。其贡献重点是状态空间建模形式与空间依赖处理方式，而非摘要已证实的性能领先。具体状态更新方程、扫描实现、网络结构、训练目标及计算复杂度尚未验证。 结果与复现：作者报告，在 ImageNet-1K 标准图像分类评估中，Mamba2D 与既有视觉 SSM 适配方法表现相当。摘要未提供具体指标、数值、基线名称、数据划分或训练配置，因此无法判断性能与计算开销之间的权衡。作者提供了源码地址，但代码可运行性、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 能被表示为具有明确二维邻接关系的电极空间图，原生二维状态建模可能用于研究电极间空间依赖，而不是直接沿用任意一维电极排列。可考虑复用二维状态更新模块，但需改造电极映射、缺失通道处理与时间维建模；该假设依赖二维拓扑确实保留有效邻接关系，不能把任意通道×时间矩阵等同于图像。低信噪比、跨被试电极布局差异及小数据训练均可能削弱其收益。一个可检验的小实验是在同一 EEG 数据划分、预处理和训练预算下，对比二维拓扑表示与一维扫描表示，并以打乱电极邻接关系作为机制对照，观察收益是否依赖真实空间结构。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其原生二维状态空间建模方式，以核对它如何替代多方向一维扫描并保留空间依赖；摘要仅支持 ImageNet-1K 图像分类上的可比表现，EEG/BCI 适用性尚未验证。

  5. OpenReview · State space models71

    TrackSSM：基于状态空间模型的通用运动预测器

    基于摘要分析。TrackSSM 针对多目标跟踪（MOT）中运动模型难以兼顾效率与跨场景有效性的问题，提出基于数据依赖状态空间模型（SSM）的统一编码器—解码器框架，利用历史轨迹预测目标边界框的时间位置，为轨迹关联提供位置信息。 核心模块 Flow-SSM 以历史轨迹的位置及运动信息引导边界框的时间状态转移。运动编码器使用 Mamba-Block 编码历史轨迹，flow decoder 则通过级联的 Flow-SSM 运动解码模块，利用编码后的 flow 信息完成位置预测。训练采用 Step-by-Step Linear（S²L）策略：在目标前一帧与当前帧的位置之间进行线性插值，构造逐步线性训练的伪标签，以引导边界框的时间转移。这里的 flow 是轨迹运动信息，摘要不足以将其等同于图像光流。 作者报告 TrackSSM 适用于多种跟踪场景，并在多个基准上取得良好跟踪表现，但摘要未列出基准名称、数据划分、对照方法、具体指标或计算成本，因此无法核对性能提升幅度及效率收益。摘要声明代码和模型已公开；实现细节、实验协议、消融及统计信息尚未验证，也不能据此推断论文接收或发表状态。 平台推测（待验证）：假设以历史信息调节状态转移的机制能够适应 EEG 的时变动态，可将其作为 EEG 时序预测的候选模块。原方法依赖可定位的目标轨迹及相邻帧位置监督；EEG 没有直接对应的边界框，需要改造输入表示、预测输出和监督目标，而 Mamba 编码器与条件化状态转移思路可能复用。低信噪比、通道差异、跨被试非平稳性及小数据训练都可能使运动建模收益无法迁移；线性插值还可能平滑掉真实的快速变化。一个可证伪的小实验是在固定 EEG 数据划分和相同训练预算下，比较 Mamba 基线与加入历史信息引导状态转移的模型在短时序预测中的误差，再单独核对插值监督是否带来收益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其以历史位置和运动信息引导数据依赖状态转移、并用插值伪标签训练运动解码器的机制；摘要未给出定量结果，其优势及向 EEG 时序建模迁移的可行性尚未验证。

  6. OpenReview · State space models73

    FusionMamba：基于状态空间模型的高效图像融合

    基于摘要分析。该研究面向遥感图像融合：将空间分辨率高但光谱信息有限的图像，与空间分辨率低但光谱信息丰富的图像结合，生成高分辨率多光谱或高光谱图像。核心贡献是将单输入 Mamba 模块扩展为双输入 FusionMamba 模块，用于空间与光谱特征的信息整合，而非提出 EEG 或 BCI 解码方法。 机制上，作者以 CNN 感受野受限、Transformer 全局建模计算成本较高为出发点，利用状态空间模型（SSM）及 Mamba 的低复杂度全局建模能力。网络设置两个 U 形分支，主要由四方向 Mamba 模块构成，分别分层提取空间与光谱特征；另一个由 FusionMamba 模块构成的辅助分支负责融合特征，并通过增强的通道注意力模块改善光谱信息表示。双输入模块的具体交互方式、损失函数及训练配置尚未验证。 作者报告，在六个数据集上的定量与定性评估中达到 SOTA，但摘要未提供数据集名称、划分、指标数值及对照基线，因此无法核对优势幅度或比较条件。作者提供了代码地址；代码与论文实现的一致性、实验协议、消融及统计信息尚未验证。摘要也不足以确认整网的实际运行效率与其“可解释性”依据。 平台推测（待验证）：可迁移的假设是利用双输入状态空间模块整合互补的 EEG 表征，例如同一试次的时域与时频特征；这并非已证实的 BCI 效果。原方法依赖空间与光谱互补的图像输入及图像重建任务，迁移时需改造输入编码、序列组织和任务输出，不能把光谱通道直接等同于 EEG 电极。低信噪比、跨被试分布变化、通道不一致及小数据可能使融合收益消失。可在固定被试内划分、相同编码器与训练预算下，小规模比较 FusionMamba 融合与简单拼接、加和融合，并核对参数量及运行成本，检验双输入机制是否确有增益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注的是将单输入 Mamba 扩展为双输入信息融合模块的具体机制，但其遥感图像融合结果不能直接支持 EEG/BCI 有效性，复现需核对融合实现及评估协议。

  7. OpenReview · State space models74

    Mamba3D：通过状态空间模型增强 3D 点云分析的局部特征

    基于摘要分析。本文研究 3D 点云分析中 Transformer 的二次复杂度及直接采用 Mamba 时表现不理想的问题，提出面向点云学习的 Mamba3D，通过局部几何特征提取与双向状态空间建模结合局部、全局信息。 核心机制包括 Local Norm Pooling（LNP）模块，用于提取局部几何特征；以及 bidirectional SSM（bi-SSM），由沿 token 正向运行的 SSM 和在特征通道上运行的 backward SSM 组成。这里的“反向”涉及特征通道，不能仅据摘要将其解释为常规的序列反向扫描。LNP 的具体计算、点云序列化方式、通道扫描顺序及训练目标尚未验证。 作者报告，在 ScanObjectNN 分类任务上，从头训练的 overall accuracy 为 92.6%；在 ModelNet40 分类任务上，采用单模态预训练的 overall accuracy 为 95.1%。两项结果对应不同数据集与训练前提，不能直接比较。作者还报告，在有无预训练的多项任务中优于 Transformer 对照与同期工作，并声称取得多项 SoTA、保持线性复杂度。具体数据划分、预训练数据、基线配置、复杂度所对应的输入规模、实际运行效率、消融及统计信息尚未验证。摘要声明代码与权重已公开，但实现与结果可复现性尚未核验。 平台推测（待验证）：可探索的机制假设是，以局部结构提取弥补 SSM 对邻域信息的建模不足，再用 token 与通道扫描汇聚信息。这一路径原本依赖点云几何邻域及特征表示；若用于 EEG，需要重新定义电极空间邻域、时间 token 与通道关系，而非直接复制点云处理。低信噪比、电极布局差异和小数据可能使局部聚合放大噪声，通道扫描也可能受排序影响。一个可证伪的小实验是在固定 Cross-subject 划分、相同训练数据与预算下，对比基础 SSM、加入电极邻域模块及再加入通道扫描的版本，并检验通道重排是否改变结论。该实验仅检验迁移假设，不代表原论文已验证 EEG 效果；相关 EEG 工作尚未检索确认。

    阅读价值：值得核对 Mamba3D 如何通过 Local Norm Pooling 与 token／特征通道双向 SSM 补足点云局部几何建模，并验证其性能与线性复杂度主张；这些结果尚不构成 EEG/BCI 有效性的证据。