跳到正文
只看一手#OpenReview
9月28日周六
  1. OpenReview · Representation learning71

    策略优化从带噪表征学习中涌现

    研究探讨表征学习网络如何在学习世界表征的同时形成行动策略，提出利用奖励依赖噪声促进策略优化的框架。基于摘要分析，未取得论文全文。 核心机制是让噪声依赖奖励，使表征学习与任务策略优化发生关联。摘要描述网络在提取规范性特征（normative features）与任务相关信息之间取得平衡，但未说明这些特征的操作性定义、噪声注入位置、奖励与噪声的映射关系，以及训练目标和更新规则，因此不能将其直接等同于某种既有强化学习算法。 作者报告，网络的表征变化能够复现若干实验观察到的、随任务学习发生的神经编码变化，并据此提出一种具有生物学合理性的策略优化机制。摘要未列出具体任务、神经记录数据、对照方法或量化指标，尚不能判断复现的覆盖范围与解释力度；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若奖励依赖噪声确实能调节任务相关表征，该机制可能为带反馈的 EEG/BCI 表征学习提供研究假设，但原问题涉及神经系统的学习机制，并不等同于 EEG 解码。迁移需要明确反馈奖励来源、噪声施加模块及任务监督方式；低信噪比、奖励延迟、跨被试差异和小数据可能使额外噪声破坏而非改善表征。一个可检验的小实验是，在固定 EEG 数据划分、编码器和训练预算下，比较无噪声、奖励无关噪声与奖励依赖噪声，检查后者是否带来可重复的解码收益。该实验属于平台提出的迁移检验，不是论文已报告结果；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其将奖励依赖噪声与表征学习中的策略优化联系起来，并尝试解释任务学习中的神经编码变化；机制细节及其对 EEG/BCI 的适用性尚未验证。

  2. OpenReview · Representation learning70

    语言引导的表征学习

    基于摘要分析。该研究探讨如何利用语言中的高层抽象指导表征学习，以应对深度神经网络的捷径学习、纹理偏置、噪声敏感性与灾难性遗忘等问题。核心贡献是探索 Explicit Language Guidance 与 Implicit Language Guidance 两类语言指导，并考察其对视觉编码器的监督作用。 机制上，Explicit Language Guidance 向模型引入直接、可用语言表达的见解；Implicit Language Guidance 提供更直觉化、间接的线索。摘要称这些方法仅在文本上训练，却能够为视觉编码器提供监督，但未说明文本训练的具体对象、语言信息与视觉表征的连接方式、损失函数或训练流程，相关实现尚未验证。 作者报告，经验分析显示上述方法改善了泛化、鲁棒性及持续学习中的任务适应性。摘要未提供数据集、数据划分、对照基线、指标或数值，因此尚不能判断各类指导的独立贡献、收益幅度及适用范围；实验协议、消融及统计信息尚未验证。复现需进一步核对文本来源、监督构造、视觉编码器设置以及持续学习任务序列。 平台推测（待验证）：若语言指导能将任务相关的高层概念转化为编码器可利用的监督，它可能为 EEG 表征学习中的捷径依赖和跨被试泛化提供研究思路。该假设依赖语言概念与 EEG 任务之间存在可靠对应关系；可借鉴的是语言指导框架，需改造的是信号编码器及语言与信号的对齐接口。低信噪比、被试差异、通道配置变化和小样本可能使这种对应失效。一个可检验的小实验是在固定 Cross-subject 划分和相同 EEG 编码器下，比较无语言指导、真实任务描述指导与打乱描述指导，观察收益是否依赖正确的语言语义。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读以核对文本训练所形成的语言指导如何监督视觉编码器，以及显式与隐式指导对泛化、鲁棒性和持续学习适应性的具体贡献；其对 EEG 的迁移价值尚未验证。

9月27日周五
  1. OpenReview · EEG74

    EEGMamba：结合混合专家的双向状态空间模型用于 EEG 多任务分类

    基于摘要分析。该研究针对 EEG 分类中长序列建模的计算开销，以及不同任务之间信号长度、通道数不一致带来的适配问题，提出 EEGMamba，将 Spatio-Temporal-Adaptive（ST-Adaptive）模块、双向 Mamba 和 Mixture of Experts（MoE）整合为多任务分类框架。 机制上，ST-Adaptive 通过空间自适应卷积对不同长度与通道数的 EEG 进行统一特征提取，并引入 class token 实现时间维度适配；双向 Mamba 用于进一步提取 EEG 特征，旨在兼顾长序列处理的分类表现、推理速度与内存使用；任务感知 MoE 配置通用专家，以建模不同 EEG 任务之间的差异与共性。摘要未提供这些模块的具体结构、专家路由方式、损失函数或多任务训练流程，相关细节尚未验证。 作者报告在八个公开 EEG 数据集上开展评估，覆盖癫痫发作检测、情绪识别、睡眠分期分类和运动想象四类任务，并报告具有性能优势；但摘要未列出数据集名称、被试数、数据划分、对照基线或具体指标，因此尚不能判断优势对应被试内、跨被试、跨会话还是跨数据集协议，也不能将多任务学习直接等同于对未见任务的泛化。作者将其称为首个真正实现 EEG 多任务学习的通用分类网络，该优先性主张尚未检索确认。 复现时需核对不同任务是否联合训练、任务信息如何用于 MoE 路由、通道与长度适配的实现，以及各模块的消融结果；推理速度和内存优势还需结合硬件、输入长度及比较基线核验。实验协议、消融及统计信息尚未验证。材料仅表示代码计划近期发布，不能据此确认代码或预训练权重已公开。

    阅读价值：值得阅读的是 EEGMamba 将长度与通道适配、双向状态空间建模及任务感知专家机制组合用于 EEG 多任务分类，但其多任务训练协议、性能优势和计算效率仍需全文核对。

  2. OpenReview · State space models75

    MatMamba：一种 Matryoshka 状态空间模型

    基于摘要分析。MatMamba 研究如何让单个状态空间模型适应不同推理计算预算，将 Matryoshka 式学习与 Mamba2 结合，通过修改模型块以包含嵌套维度，实现不同规模子模型的联合训练与自适应推理。 核心机制是从一个训练完成的大模型中提取多个较小的嵌套子模型，而非为每种部署规模分别训练模型。摘要将其与 Matryoshka Representation Learning 及其在 Transformer 骨干上的应用 MatFormer 联系起来；具体维度嵌套方式、训练目标、子模型采样策略和推理规模选择规则尚未验证。 作者报告，在参数规模为 35M 至 1.4B 的语言与图像模型实验中，嵌套小模型能够保持或超过从头训练的小模型基线的性能。作者还报告，ImageNet 和 FineWeb 上的结果显示 MatMamba 具有与 Transformers 相近的扩展表现，并具备更高效的推理特性。摘要未提供具体指标、计算预算、硬件、数据划分或延迟数值，因此不能量化性能收益或推理加速；实验协议、消融及统计信息尚未验证。“免费”获得子模型应理解为不必逐个从头训练，不代表联合训练或部署没有额外开销。 平台推测（待验证）：若 EEG 时序任务需要在不同设备计算预算间部署，嵌套子模型可能提供可复用的弹性容量机制。该假设依赖共享模型在不同容量下仍能学习有效时序表征；原摘要的语言与图像实验不能直接证明 EEG 效果。可复用部分是 Mamba2 中的嵌套维度与联合训练思路，EEG 输入编码、通道组织及任务输出模块则需改造。低信噪比、跨被试差异、通道变化和小数据条件可能使较小子模型丢失有效信息。一个可检验的小实验是在固定 EEG 任务及 Cross-subject 划分下，比较联合训练的嵌套子模型与相应规模的独立训练基线，同时记录任务指标、参数量和同一硬件上的推理延迟。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其将 Matryoshka 式嵌套维度引入 Mamba2、联合训练多种规模子模型的机制，并核对弹性推理的性能—计算开销权衡；摘要尚不足以验证实际加速幅度或 EEG 适用性。

  3. OpenReview · Representation learning77

    具有可证明效率保证的联邦主动多任务表征学习

    基于摘要分析。本文针对源任务与目标任务数据均有限时的多任务表征学习，提出采用线性表征的主动学习方法，通过估计各源任务对目标任务的相关性，自适应分配采样，以提高数据利用与计算效率。 核心机制是基于自适应采样的交替投影梯度下降（GD）与最小化算法：迭代估计源任务相关性，并依据估计结果从各源任务采样。作者给出算法的收敛保证以及样本复杂度、时间复杂度分析；具体假设、复杂度表达式、采样预算和优化目标尚未验证。标题包含联邦学习，但摘要未说明客户端通信、聚合流程或隐私机制，不能据此补充联邦实现细节。 作者报告在合成数据和真实 MNIST-C 数据上开展数值实验，并与四种基准算法比较。摘要未提供具体指标、数值结果、任务构造或数据划分，因此暂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）：假设不同 EEG 被试或会话可作为源任务与目标任务，相关性驱动的采样可能用于缓解跨被试或跨会话迁移中标注预算有限的问题。可复用的是任务相关性估计与采样分配框架；需改造的是 EEG 表征、任务定义及采样与标签获取接口，并核对理论是否依赖共享线性结构。低信噪比、通道不一致和小样本可能使相关性估计不稳定，导致预算偏向无益源任务。一个可检验的小实验是在固定目标任务训练数据、总标注预算和独立测试集的跨被试设置下，比较自适应源任务采样与均匀采样，检验收益是否稳定。以上不是已验证的 EEG/BCI 结果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其按源任务与目标任务相关性自适应分配采样的机制及收敛、样本和时间复杂度分析，但理论适用条件与实验优势尚需核对全文。

9月26日周四
  1. OpenReview · EEG66

    EEGTrans：Transformer 驱动的 EEG 合成生成模型

    基于摘要分析。该研究针对 EEG 噪声及不同实验条件下数据集难以合并的问题，提出基于 Transformer 的生成模型 EEGTrans，通过量化自编码器将 EEG 压缩为离散编码，再以自回归方式生成序列，用于运动想象 BCI 的合成数据增强。 核心机制是将连续 EEG 的生成转化为离散编码序列的生成。摘要描述编码器接收 EEG 信号、解码器自回归生成离散编码，并将量化表示作为捕获时间特征及支持跨数据集泛化的关键环节。具体量化方法、编码粒度、Transformer 结构、训练目标，以及离散编码如何还原为连续 EEG，尚未验证；不能由摘要中对 LLM 的介绍推断 EEGTrans 的具体训练监督形式。 作者报告，在运动想象 BCI 应用中，合成 EEG 能捕获原始信号的时间模式，并保持其复杂度与功率谱特征；加入合成数据后，分类性能得到改善，且优于基于 Generative Adversarial Networks 的模型。摘要未提供数据集名称、被试数量、数据划分、分类指标或提升幅度，因此这些结论仍需结合完整实验协议核对，不能视为已验证的 Cross-subject 或 Cross-dataset 分类收益。 复现重点包括量化表示对运动想象判别信息的保留程度、生成样本与真实样本的混合方式，以及不同实验条件下的通道、采样率和预处理对齐方法。还需核对生成模型与分类器的数据划分关系、对照方法的训练设置，以及时间模式、复杂度和功率谱的具体评估定义。实验协议、消融及统计信息尚未验证；作者提出的跨数据集泛化潜力不等同于已确立的跨数据集泛化效果。

  2. OpenReview · Representation learning74

    基于广义四元数表示学习的属性图聚类

    基于摘要分析。该研究针对属性图聚类中 Graph Convolutional Network 的过平滑问题，提出 Graph Clustering based on Generalized Quaternion representation learning（GCGQ）：在图自编码器的编码器中引入四元数运算，并加入无需预设簇数 k 的广义图聚类目标，以学习适用于不同 k 的节点表示。 核心机制有两点：一是将天然对应四个特征分量的四元数运算推广到任意属性维度的图数据；二是将聚类目标作为损失项，使表示学习直接服务于聚类。作者旨在不增加网络深度和参数规模的情况下，获得包含全局分布信息的结构化表示。摘要未提供属性维度与四元数分量的具体映射、编码器结构、损失公式，以及下游聚类如何确定或使用 k，需查阅全文核对；训练目标不预设 k 不等于最终聚类完全无需选择簇数。 作者报告，GCGQ 学到的节点表示更具区分性，包含全局分布信息，并适用于不同 k 的下游聚类；作者还报告开展了显著性检验、消融研究和定性分析。摘要未给出数据集、划分、对照基线、评价指标或具体数值，实验协议、消融及统计信息尚未验证。材料提供了临时匿名代码地址，其可访问性、实现完整性与复现配置尚未验证。 平台推测（待验证）：一个可检验的假设是，将 EEG 通道作为节点、通道特征作为属性后，四元数结构化运算可能为脑网络状态聚类提供可复用的表示模块，但这不是已证实的 EEG 或 BCI 效果。迁移需要改造构图规则与属性映射；低信噪比、跨被试差异、通道缺失及小样本可能使图结构不稳定或聚类失真。可在固定被试划分、构图方式及特征条件下，对比普通图自编码器与四元数版本的聚类表现，并测试不同 k 和通道扰动下的稳定性。相关 EEG 工作尚未检索确认。

  3. OpenReview · EEG76

    以大型时空 Transformer 为基础模型学习鲁棒 EEG 表征

    基于摘要分析。研究针对 EEG 基础模型难以适应不同记录配置、BCI 控制范式及有限标注数据的问题，提出时空 EEG Transformer（ST-EEGFormer），通过自监督预训练与下游微调学习可迁移的 EEG 表征。其主要贡献是将不同通道配置和信号时长的建模，与跨 MI、P300、SSVEP 范式的适应性评估结合起来。 方法将原始 EEG 切分为片段（patches），投影到嵌入空间，并加入空间与时间嵌入。作者以掩码自编码器（MAE）任务进行自监督预训练，预训练数据由六个公开运动想象（MI）数据集、一个公开 P300 数据集和一个公开稳态视觉诱发电位（SSVEP）数据集组成。摘要未提供片段长度、空间位置编码方式、掩码策略、重建目标细节或模型规模，尚不能确认其处理不同通道配置的具体实现条件。 评估包括预训练所涉及八个数据集上的下游分类微调，以及两个未参与预训练的公开数据集：癫痫发作分类数据集和在线 MI BCI 数据集。对照模型包括简单线性模型、EEGNet、监督学习模型 EEG Conformer，以及基础模型 BIOT 和 Large Brain Model（LaBraM）。作者报告，预训练后的 ST-EEGFormer 在八个预训练数据集的下游分类中均取得高于所比较模型的 Accuracy，并在新数据集、有限训练数据条件下表现出较强泛化能力；摘要未给出具体数值或有限数据的规模。 这些结果支持进一步核查统一时空表征与 MAE 预训练的适应性，但不能直接解释为已验证的跨被试、跨会话或无需微调的泛化。数据集名称、被试数、训练与测试划分、预训练与评估样本的关系、各基线微调预算、消融及统计信息尚未验证。作者还提供模型及支撑结果的特征可视化，其解释性结论需结合正文审阅；代码、权重与完整复现条件尚未验证。

    阅读价值：值得阅读其跨 MI、P300 与 SSVEP 范式的统一预训练设计，以及在未参与预训练的数据集上检验有限训练数据条件下泛化能力的实验；作者报告的优势仍需结合具体划分、微调预算与统计结果核对。

  4. OpenReview · Representation learning58

    KAE：用于表示学习的 Kolmogorov-Arnold 自编码器

    基于摘要分析。该研究提出 Kolmogorov-Arnold Auto-Encoder（KAE），将 Kolmogorov-Arnold Network（KAN）与自编码器结合，旨在改善潜在表示，并服务于检索、分类与去噪任务。 机制上，KAN 使用边上的可学习激活函数，而非传统 MLP 中节点上的固定激活函数；KAE 利用 KAN 层中的灵活多项式函数捕捉复杂模式与非线性关系。摘要未提供编码器与解码器的具体结构、多项式参数化、损失形式或训练设置，因此尚不能判断收益来自函数表达方式、模型容量还是优化差异。 作者报告，在基准数据集实验中，相较标准自编码器及其他 KAN 变体，KAE 改善了潜在表示质量，降低重建与去噪误差，并提高分类准确率、检索召回率及可解释性。摘要未列出数据集名称、划分协议、指标数值或可解释性评估方法；收益幅度、实验协议、消融及统计信息尚未验证。摘要提供代码入口，但代码可用性、依赖与复现配置尚未核验。 平台推测（待验证）：其潜在迁移路径是以 KAN 的可学习非线性映射替代 EEG 自编码器中的部分 MLP 模块，检验是否有助于非线性特征压缩或去噪。这一假设依赖训练样本规模、输入表示及噪声结构；摘要未明确监督设置。自编码表示学习框架可作为复用起点，但 EEG 的时间与通道结构、归一化及噪声目标需要另行设计。低信噪比、小数据和跨被试分布差异可能导致灵活函数拟合噪声，重建改善也不必然提高任务判别能力。可开展一个小规模实验：在同一 EEG 数据划分下，以相同潜在维度和尽量匹配的参数预算比较 KAE 与 MLP 自编码器，同时评估重建误差、冻结表示后的分类表现及计算开销，并将被试内与跨被试结果分开报告。已有 EEG 相关工作尚未检索确认。

  5. OpenReview · State space models71

    HeteGraph-Mamba：通过选择性状态空间模型进行异构图学习

    基于摘要分析。该研究针对异构图中不同类型节点的长程依赖建模，以及选择性状态空间模型（SSSMs）与异构图数据的适配问题，提出 heterogeneous graph mamba network（HGMN）。核心贡献是两级 tokenization：先捕获同一节点类型内部的长程依赖，再捕获所有节点类型之间的依赖。 机制与创新：该方法将异构图学习与选择性状态空间模型结合，以分层处理类型内和跨类型关系。作者将其定位为利用 SSSMs 进行异构图学习的首次探索，但该优先性声明尚未独立核对。摘要未说明图节点的排序、拓扑如何进入 token 表示、类型与边信息的编码方式，以及训练目标和推理流程，这些实现细节尚未验证。 结果与证据：作者报告，在异构图基准上与 19 种被其称为 state-of-the-art 的方法比较，HGMN 在准确性和效率方面均优于对照。摘要未提供基准名称、任务、数据划分、具体指标数值或效率测量条件，因此不能据此判断优势幅度或不同协议下的可比性。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确认。 平台推测（待验证）：若 EEG 任务能够构造具有明确节点类型和关系的异构图，两级 tokenization 可能用于区分类型内关联与跨类型依赖，从而探索长程关系建模；这不等于已证实的 BCI 效果。可尝试复用类型内、跨类型的组织机制，但需改造 EEG 特征表示、图构造与节点排序，并核对原方法对监督信息和数据规模的依赖。低信噪比、跨被试差异、通道配置变化及小样本条件可能使图关系不稳定。一个可证伪的小实验是在固定 Cross-subject 划分与相同 EEG 特征、图构造下，比较两级 tokenization、仅类型内建模和常规异构图基线，同时记录任务指标、运行时间与显存占用。已有 EEG 相关工作尚未检索确认。

  6. OpenReview · State space models73

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

    DyGMamba 面向连续时间动态图（CTDG）的表示学习，尝试同时解决长节点交互历史的计算开销与关键时间信息筛选问题，核心贡献是将 Mamba 状态空间模型（SSM）用于节点历史编码和时间模式驱动的信息选择。以下基于摘要分析，未取得论文全文。 机制上，节点级 SSM 首先编码历史节点交互序列；时间级 SSM 随后提取历史图中的时间模式，其输出用于动态选择交互历史中的关键信息。摘要描述的设计重点不只是扩大历史窗口，而是让时间模式参与信息筛选。具体输入表示、两个 SSM 的连接方式、选择操作、损失函数及训练流程尚未验证。 作者在动态链接预测任务上进行评估，并报告 DyGMamba 在多数情形下达到当时最优表现，同时保持较高的计算资源效率，使有限计算预算下的长时间依赖建模成为可能。摘要未提供数据集、划分协议、基线、指标数值或资源测量口径，因此不能量化其性能与效率优势；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 通道或脑区表示为节点、将带时间戳的连接变化表示为交互，该机制可能用于筛选长时程连接历史中的任务相关信息。此迁移假设依赖于 EEG 能否形成有意义的交互事件，而不是直接将原始波形视为动态图。可复用部分是历史序列编码和时间模式驱动的选择模块；需改造的是节点定义、连接估计、事件构造与任务输出。低信噪比可能产生伪交互，跨被试及通道差异可能破坏事件语义，小数据也可能使选择机制过拟合。一个可证伪的小实验是在固定 EEG 数据与跨被试划分下，以相同连接构造和历史窗口比较完整机制与不使用时间级选择的对照，同时记录任务指标及资源开销。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：值得阅读其利用节点级与时间级 SSM 编码长交互历史并动态选择关键信息的机制，但动态图预测收益及其向 EEG 时变连接建模迁移的有效性仍需核对实验与验证。

  7. OpenReview · State space models72

    Decision Mamba：用于离线强化学习的多粒度状态空间模型与自演化正则化

    基于摘要分析。该研究针对离线强化学习中的分布外状态与动作处理问题，提出 Decision Mamba（DM），将多粒度状态空间模型（SSM）与自演化策略学习结合，以利用轨迹历史、建模步内变量关系，并缓解对带噪声次优轨迹的过拟合。 机制上，DM 利用 Mamba 的历史隐藏状态提取跨时间步信息；在原有粗粒度 SSM 中集成细粒度 SSM 模块，捕捉 return-to-go（RTG，剩余累计回报）、状态与动作三元组的步内关系。自演化策略采用渐进正则化，利用策略自身过去的知识修正次优动作。摘要未给出具体损失、动作修正规则、正则化调度或训练与推理流程，这些细节尚未验证。 作者报告，DM 在多种任务上显著优于其他基线，但摘要未提供任务与数据集名称、划分、指标、数值或对照配置，因而不能据此量化收益，也不能区分收益来自多粒度建模还是自演化正则化。实验协议、消融及统计信息尚未验证；分布外鲁棒性与噪声示范鲁棒性是否分别得到直接评估，也需核对全文。 平台推测（待验证）：其跨步历史与步内关系的分层建模机制，可作为序列式 BCI 决策的候选思路，但依赖具有状态、动作及回报信息的轨迹，不能直接等同于 EEG 分类方法。可复用的是多粒度 SSM 思路；需改造 EEG 状态编码、动作定义与回报构造。低信噪比、跨被试差异、通道变化和小数据可能使历史状态不稳定，自演化策略也可能强化既有动作偏差。一个可检验的小实验是在具有明确动作与回报记录的固定 BCI 离线轨迹上，按被试隔离评估，比较粗粒度 SSM、加入细粒度模块及完整 DM，并在受控动作噪声下检查策略收益与稳定性。该迁移是假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 Decision Mamba 如何联合建模跨时间步历史与步内 RTG-state-action 关系，以及渐进正则化能否缓解噪声示范中的策略过拟合；摘要尚不足以验证其性能优势与各模块贡献。

  8. OpenReview · Representation learning78

    用于强化学习的扩散谱表征

    基于摘要分析。本文针对强化学习（RL）中扩散模型采样推理成本较高的问题，提出 Diffusion Spectral Representation（Diff-SR），将扩散模型用于表征学习，而非在策略优化过程中依赖扩散采样。其核心贡献是利用扩散模型与能量模型的联系，为马尔可夫决策过程（MDP）及部分可观测马尔可夫决策过程（POMDP）的价值函数提取充分表征。 机制与创新：摘要将既有扩散方法的计算瓶颈归因于迭代采样，并提出从表征学习角度利用扩散模型对复杂分布的表达能力。作者称 Diff-SR 能支持高效策略优化及实用算法，同时绕开扩散模型采样的困难与推理成本。这里的“绕开采样”不等于消除全部训练或推理开销；谱表征的构造方式、充分性成立的假设、损失函数及策略优化接口尚未验证。 结果与证据边界：作者报告，在完全可观测与部分可观测设置下的多个基准上，Diff-SR 展现出稳健且有利的性能。摘要未提供具体基准名称、评价指标、对照方法或计算成本测量，因此尚不能量化其性能与效率收益。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 驱动的闭环 BCI 可建模为 POMDP，Diff-SR 的价值函数表征可能有助于处理观测不完整，并减少在线决策对扩散采样的依赖。但这一路径需要动作、奖励及状态转移轨迹，而非仅有 EEG 分类样本；可考虑复用表征学习与策略优化框架，需改造 EEG 观测编码及历史信息处理接口。低信噪比、跨被试分布变化、通道差异和小规模交互数据可能使表征学习失效。一个可检验的小实验是在固定 EEG 轨迹划分与相同交互预算下，对比 Diff-SR、直接扩散采样策略及非扩散表征基线的任务回报与决策延迟。该设想不代表已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其如何利用扩散模型与能量模型的联系提取价值函数表征，并绕开扩散采样的推理开销；表征充分性的具体条件和效率收益尚需全文核对。

  9. OpenReview · EEG73

    EEG2Video：面向从 EEG 信号解码动态视觉感知

    基于摘要分析。研究针对既有视觉重建工作主要关注静态刺激的问题，探索从 EEG 解码动态视觉感知，贡献包括 EEG-video 配对数据集、视频元信息标注，以及采用 Seq2Seq 架构的视频重建基线 EEG2Video。 数据与任务：作者报告记录了 20 名被试观看 1400 个动态视频片段时的 EEG，视频涵盖 40 个概念。摘要强调 EEG 的高时间分辨率（1000 Hz）适于捕捉快速脑活动变化，但实际采集与预处理配置尚未验证。作者还为视频标注颜色、动态属性、是否包含人等元信息，以探索这些属性能否从 EEG 中解码；摘要未提供各属性任务的具体结果。 方法与结果：EEG2Video 使用 Seq2Seq 架构，旨在更好地对齐视频中的动态运动与高时间分辨率 EEG 信号。作者报告在语义分类任务中取得 79.8% 的 2-way Accuracy，视频重建的结构相似性指数（SSIM）为 0.256。摘要未说明候选样本构造、数据划分、被试内或跨被试评估设置、对照基线及 SSIM 的计算与汇总方式，因此这些数值不能直接用于跨研究比较，也不足以单独判定动态重建质量。 验证与复现：值得重点核对 EEG 与视频的时间对齐方式、Seq2Seq 的输入输出表示，以及重建是否保留动态信息而不只是语义或静态外观。实验协议、消融及统计信息尚未验证。摘要称数据集与代码将很快发布，这属于发布计划，不能视为已经公开可用；复现仍需确认资源开放状态及完整训练、评估配置。

    阅读价值：值得阅读的具体原因是其提供动态视频与 EEG 配对数据，并以 Seq2Seq 基线探索时序对齐的视频重建；重建效果及泛化能力仍需结合全文协议核对。

  10. OpenReview · Representation learning76

    DenoiseRep：用于表征学习的去噪模型

    基于摘要分析。DenoiseRep 研究如何将去噪机制用于判别任务的表征学习，通过联合特征提取与去噪提升特征的判别能力。其核心贡献是将骨干网络中的各嵌入层视为逐步去噪层，并通过参数融合消除独立去噪计算。 机制上，作者将从低层到高层的级联特征提取，与递归、逐步的特征去噪统一起来。作者称，特征提取层与去噪层的参数可以融合，并给出了融合前后等价性的理论论证，据此主张特征去噪无需额外计算。摘要未说明去噪目标、噪声构造、损失形式、训练流程或参数融合的适用条件，这些内容尚需全文核对。该方法被描述为无需标签，也可与可用标签互补；这不等于所有下游任务的训练均不使用标签。 作者报告，在重识别数据集 Market-1501、DukeMTMC-reID、MSMT17、CUHK-03、vehicleID，图像分类数据集 ImageNet、UB200、Oxford-Pet、Flowers，以及 COCO 目标检测和 ADE20K 图像分割任务上观察到稳定的改进，并在 ResNet、ViT、Swin、Vmamda 架构上验证有效性。摘要未提供具体指标、数值、数据划分或对照基线，无法据此判断收益大小及不同任务间的可比性；实验协议、消融及统计信息尚未验证。复现还需核对融合实现、训练配置及代码可得性。 平台推测（待验证）：若逐层去噪确实能够保留判别信息，并且融合条件适用于 EEG 编码器，该机制可能用于缓解 EEG 表征中的噪声干扰。可复用部分是逐层特征去噪与参数融合思路；需改造部分包括时序与通道特征处理、噪声定义及下游监督方式。视觉数据上的结果不能证明其适用于低信噪比、跨被试或小样本 EEG；去噪可能误删弱任务信号，通道变化也可能破坏特征假设。一个可检验的小实验是在固定跨被试划分下，对比同一 EEG 骨干加入与不加入 DenoiseRep 的表现，同时检查融合前后输出一致性及推理开销。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其特征提取与去噪层参数融合的等价性条件，以及无需标签的特征增强能否在不增加推理计算的前提下稳定改善判别任务；向 EEG 迁移的有效性尚未验证。

  11. OpenReview · Representation learning77

    从表示学习视角理解 Transformers 如何进行上下文学习

    基于摘要分析。本文研究 Transformers 的上下文学习（ICL）机制，即模型如何仅凭少量示范样例、在不更新参数的情况下执行新任务。核心贡献是借助核方法构建单个 softmax attention 层的对偶模型，从表示学习视角解释 ICL 推理，并分析示范 token 数量与泛化误差的关系。 机制方面，作者报告，attention 层的 ICL 推理过程可对应于对偶模型的训练过程，所生成的 token 表示预测与对偶模型的测试输出等价。作者进一步分析该对偶模型的训练过程，推导与示范 token 数量有关的泛化误差界，并将理论结论扩展至单个 Transformer 层及多个 attention 层。摘要未提供等价关系成立的假设、误差界的具体形式或适用分布，因此不能据此推断增加示范必然改善任意任务表现。 方法探索方面，作者受表示学习方法、尤其是对比学习启发，提出对 attention 层的潜在修改，并报告设计了实验支持研究结论。具体修改方式、训练目标、任务与数据集、对照基线、结果指标、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该分析可能为 EEG 上下文示范如何影响表示提供理论切入点，但语言 token 的结论不能直接迁移为 BCI 效果。迁移假设依赖于 EEG 能否形成适合该理论的 token 表示与任务示范结构；可考虑复用 attention 与对偶模型分析框架，而 EEG 分段、通道表示及示范组织方式需要改造。低信噪比、跨被试差异、通道不一致与小样本可能使理论假设失效。待核对全文条件后，可在固定 EEG 编码器和被试内数据划分下，仅改变上下文示范数量、保持模型参数不变，检验任务误差是否符合理论预期。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读的是作者通过核方法将 softmax attention 的 ICL 推理与对偶模型训练联系起来，并给出涉及示范 token 数量的泛化误差界；其假设条件及实验支持程度尚待全文核对。

  12. OpenReview · Representation learning76

    强化学习中的离线多任务表征学习

    基于摘要分析。本文研究如何从多个具有共同表征的任务的离线数据中学习共享表征，并提出用于离线多任务表征学习的算法 MORL。其贡献是在低秩强化学习（RL）框架下开展理论分析，并考察所学表征对新任务的作用。 核心设定是上游多个任务与下游新任务共享同一表征。作者进一步分析 reward-free、offline 和 online 三类下游 RL 场景。作者报告，理论结果表明，利用上游离线任务学得的表征，相比直接学习低秩模型的表征具有收益；摘要未给出具体收益界、适用条件或量化结果，因此不能将其解读为已验证的实际性能提升。MORL 的优化目标、算法步骤、离线数据覆盖要求及共享表征的具体形式尚未验证，实验协议、消融及统计信息亦尚未验证。 平台推测（待验证）：若某类 BCI 闭环控制问题可以表述为多个共享潜在动力学表征的 RL 任务，该框架或可为离线交互数据的跨任务复用提供理论参照。这里可借鉴的是共享表征学习与下游任务适配的分工，而非将低秩 RL 结论直接套用于 EEG 分类。应用于 EEG/BCI 时，观测编码、任务定义及状态—动作—奖励接口均需适配；低信噪比、跨被试差异、通道变化、小样本和离线数据覆盖不足，都可能使共享表征假设失效。现阶段应先核对理论假设是否匹配目标任务，再评估迁移可行性；相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其离线多任务低秩 RL 的共享表征学习框架及下游理论分析，但收益所依赖的任务共享假设与数据条件仍需全文核对，尚不能据此推断 EEG/BCI 效果。

  13. 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。

  14. OpenReview · State space models77

    MambaTree：树拓扑就是状态空间模型所需的一切

    基于摘要分析。MambaTree 针对状态空间模型受序列几何结构约束、长程依赖建模受限的问题，提出根据空间关系与输入特征动态生成树拓扑，并沿该结构传播特征，以突破原有序列传播路径的限制。 核心机制是将特征传播组织从序列改为动态树结构，并引入线性复杂度的动态规划算法来增强长程交互。摘要未给出树构建规则、状态更新方程、训练目标或复杂度的具体计量范围，因此尚不能确定树生成与传播的整体开销，以及其相对序列式状态空间模型的实现条件。 作者报告，在图像分类、目标检测和分割任务中，MambaTree 显著优于现有结构化状态空间模型；在大语言模型微调中，也以较小训练成本在多个文本任务上取得一致提升。这些结论对应摘要所述任务，但具体数据集、指标、划分、对照基线与成本口径未提供，实验协议、消融及统计信息尚未验证，不宜据此量化性能优势或推断其已具备 EEG 多模态建模能力。 平台推测（待验证）：若将 EEG 的通道空间关系与片段特征用于动态树构建，该机制可能为跨通道及长时间跨度交互提供不同于固定序列的传播路径。可考虑复用树上动态规划思想，但输入表征、通道空间编码和树生成约束需要针对 EEG 改造；其对数据规模和监督方式的依赖仍需核对。低信噪比可能使树结构不稳定，跨被试差异、通道布局变化及小数据条件也可能削弱泛化。一个可证伪的小实验是在固定 Cross-subject 划分下，以相同预处理、训练预算和状态空间骨干，对比原序列传播、固定树与动态树，联合检查任务指标、运行成本和树结构稳定性。该实验仅是迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其动态树拓扑与线性复杂度特征传播如何缓解序列结构对长程依赖的限制，但计算成本优势及向 EEG 的迁移价值尚未验证。

  15. 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。

  16. 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。

  17. 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。

9月25日周三
  1. OpenReview · Representation learning80

    用于因果量估计的正交表征学习

    基于摘要分析。本文研究如何从观测数据中借助表征学习估计因果量，例如条件平均处理效应，并提出 OR-learners：一类针对表征层面定义的因果量的 Neyman 正交学习器，旨在结合表征学习与正交因果估计的理论优势。 核心机制与理论贡献：作者指出，现有端到端表征学习方法未必具备 Neyman 正交学习器的双重稳健性和准 oracle 效率，某些额外约束（如平衡约束）还可能导致估计不一致。作者主张，OR-learners 可基于任意学得的表征一致估计相应因果量，并具有双重稳健性和准 oracle 效率。这里需区分“表征层面定义的因果量”与原始协变量层面的目标：摘要不足以确认两者何时等价，也不能将这些性质理解为无条件保证。具体估计式、损失、辅助模型、训练流程及理论条件尚未验证。 实验与证据边界：作者报告，在大量实验及一定正则条件下，OR-learners 改善了现有表征学习方法并达到 state-of-the-art 性能；摘要未提供数据集、划分、对照基线、指标或数值，因此无法判断改善幅度及适用范围。实验协议、消融及统计信息尚未验证。作者还声称，这是据其所知首次统一表征学习与 Neyman 正交因果量估计的框架，该优先性声明尚未独立核实。 平台推测（待验证）：若 EEG 研究目标是从观测数据估计干预效应，而非普通分类，OR-learners 可能用于评估降维表征上的效应异质性。该假设依赖明确的处理、结局、混杂变量及因果识别条件；可考虑复用正交估计模块，但需改造 EEG 表征和辅助模型。低信噪比、跨被试差异及小数据可能使表征丢失混杂信息或辅助估计不稳定，正交性不能自动解决这些问题。一个可证伪的小实验是在具有已知处理效应的半合成 EEG 数据上固定表征，对比普通表征效应估计与 OR-learners，并逐步增加噪声及混杂信息损失，检验估计偏差是否仍有改善。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其将表征层面的因果量估计与 Neyman 正交学习统一的理论机制，尤其需核对一致性、双重稳健性和准 oracle 效率所依赖的假设，而非仅依据摘要中的性能声明。

9月24日周二
  1. OpenReview · State space models69

    MS³M：用于运动预测的多阶段状态空间模型

    基于摘要分析。该研究针对自动驾驶中的运动预测：根据智能体周围环境预测未来轨迹，并缓解 Transformer 在长序列、多智能体场景中的计算开销。作者提出 Multi-Stage State Space Model（MS³M），以 Mamba 分别建模时间信息与空间交互，并引入分层查询式解码器，旨在兼顾预测精度与推理效率。 机制方面，Temporal Mamba Model（TMM）负责捕获细粒度时间信息，Spatial Mamba Model 负责处理空间交互。作者将性能改善归因于 Mamba 状态空间结构所引入的时间、空间归纳偏置，并强调卷积计算与近线性计算策略的效率优势。摘要还指出，Transformer 通常依赖位置编码表达时空关系；但 MS³M 如何组织输入、注入归纳偏置，以及分层查询式解码器的查询构造与层级流程，均尚未验证。 作者报告，该方法在运动预测实验中取得更优性能并保持低延迟，但摘要未提供数据集、划分协议、对照基线、预测指标、延迟数值或硬件条件，因此尚不能量化精度—效率收益，也不能直接与其他协议下的结果比较。实验协议、消融及统计信息尚未验证；复现还需核对损失函数、训练配置、智能体与时间序列组织方式，以及代码可用性。 平台推测（待验证）：迁移假设是，将时间动态与空间交互分开建模，可能适用于 EEG 的时间依赖和通道关系建模；但原问题依赖多智能体轨迹及环境信息，其监督形式与训练规模尚未明确，不等同于 EEG 分类或解码。可考虑复用时间状态空间模块；空间模块需适配电极布局、通道顺序与缺失通道，轨迹查询解码器则需按目标任务改造。低信噪比、跨被试差异及小样本可能使这种分阶段建模失效。一个可检验的小实验是在固定 EEG 划分、参数预算与训练设置下，对比仅时间模块和时间—空间组合模块，并通过通道顺序扰动检验空间建模的收益与敏感性。已有 EEG 相关工作尚未检索确认。

9月23日周一
  1. OpenReview · State space models71

    GeoMind：用于理解黎曼流形上脑动态的状态空间模型几何神经网络

    基于摘要分析。该研究关注如何将脑状态演化建模为脑区功能相互连接的动态系统，提出 GeoMind，将状态空间模型（SSM）与黎曼几何结合，通过追踪高维对称正定（SPD）矩阵流形上的功能动态轨迹，刻画随时间变化的脑状态。 核心机制：作者以功能波动的拓扑共激活具有 SPD 几何结构为出发点，将功能连接的演化放在黎曼流形上建模，而非仅将其视为普通欧氏空间中的特征序列。SSM 用于描述潜在脑状态的转移及其与观测神经活动的关系。摘要未给出 GeoMind 的具体状态转移参数化、几何运算、损失函数及训练与推理流程，这些实现细节尚未验证。 结果与证据：作者报告，GeoMind 在基于任务的 fMRI 脑状态识别，以及 Alzheimer's disease、Parkinson's disease 和 Autism 的早期诊断任务中取得有前景的结果。作者还报告在 human action recognition（HAR）的 UTKinect、Florence 和 HDM05 三个基准数据集上取得有前景的表现，用以评估跨领域适用性。摘要未提供具体指标、对照方法、被试规模或数据划分，因此尚不能判断性能增益、诊断有效性或泛化强度；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 的时间窗协方差或功能连接可形成稳定的 SPD 序列，该几何 SSM 思路可能用于研究脑状态切换，但 fMRI 与 HAR 的结果不等于 EEG/BCI 有效。可考虑复用流形轨迹建模框架，改造 EEG 的窗口构建、协方差估计与观测映射；低信噪比、通道数量变化、跨被试差异和小样本可能导致 SPD 估计不稳定或轨迹不可比。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，对比几何 SSM 与欧氏 SSM，并检查协方差正则化对结果的影响。已有 EEG 相关工作尚未检索确认。

  2. OpenReview · EEG80

    EEGPT：通过自回归预训练释放 EEG 通用基础模型的潜力

    基于摘要分析。本文针对 EEG 数据格式异构、预训练范式及迁移方式受限的问题，提出通用 EEG 基础模型 EEGPT，将电极级建模、自回归下一信号预测和多任务迁移结合起来，旨在从单数据集专用模型走向兼容不同采集设备、被试与任务的统一模型。 核心机制方面，作者以每个电极作为基本建模单元，整合来自多种 EEG 数据集、涉及最多 138 个电极的数据，形成 37.5M 个预训练样本；摘要未说明样本的切分方式、时长及数据集构成。预训练采用下一信号预测，以替代传统掩码自编码器范式并学习序列与时间依赖，但预测单元、序列组织、损失形式及推理流程尚未验证。作者还探索模型规模规律，所研究模型最大达到 1.1B 参数；规模效应的具体曲线及训练资源尚未验证。 迁移阶段采用跨任务共享的可学习电极图网络。作者报告该机制支持多任务兼容与协同，并称模型可接受最多 138 个电极及其任意组合。需要结合全文核对电极位置与身份如何编码、不同采样率及设备如何对齐，以及任意电极组合的验证范围。 结果方面，作者报告在 5 类下游任务、12 个基准上同时评估，且在所有下游任务上均优于现有专用模型，并通过广泛消融验证有效性。摘要未提供任务与数据集名称、指标数值、对照模型或被试内、跨被试、跨会话、跨数据集划分，因此尚不能判断收益大小及不同协议下的泛化能力；实验协议、消融及统计信息尚未验证。“首个通用 EEG 基础模型”“首个自回归 EEG 预训练模型”及 EEG 研究中最大模型等均为作者主张，不视为已独立核实的结论。 复现方面，作者表示将公开训练代码和模型检查点，当前材料不能确认已发布。后续应核对预训练与下游数据划分、预处理、任务共享方式和训练成本，以区分规模、电极级表示及多任务学习各自带来的贡献。

  3. 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。研究探讨以生成为目标的 diffusion models 为什么、以及在何种条件下能够通过自监督学习获得高质量表征，提出其能力源于噪声控制的去噪目标对图像数据低维分布的学习，并从后验估计和参数共享两个角度解释这一机制。 作者报告，表征学习性能随噪声水平变化的情况，与相应后验估计的质量密切相关。基于这一观察，论文提供理论分析，解释表征表现随噪声尺度变化的单峰动态，以及去噪过程如何形成有意义的表征。摘要还指出，扩散模型内在的参数共享机制能够解释其相对传统 denoising auto-encoders 的表征学习优势；具体共享方式、理论假设及对照条件尚未验证。 摘要未提供数据集、数据划分、具体指标或结果数值，因此目前只能确认作者提出的机制解释与定性结论，不能判断优势幅度或适用范围。实验协议、消融及统计信息尚未验证；阅读全文时需重点核对低维分布假设、后验估计质量的测量方式，以及噪声尺度和参数共享各自的贡献。 平台推测（待验证）：若 EEG 中存在可稳定恢复的低维任务相关结构，这一机制可能为自监督去噪中噪声强度的选择提供分析视角，但图像领域结果不等于 EEG/BCI 有效。可复用去噪目标与跨噪声尺度参数共享的思路，输入表示和噪声模型则需适配 EEG 的时序、通道结构及生理噪声。低信噪比、跨被试差异、通道变化与小数据可能使低维结构估计不稳定，或使表征偏向非任务相关成分。一个可检验的假设是：在固定被试内划分、相同训练数据与模型容量下，扫描噪声尺度并比较共享参数模型与分别训练的去噪模型，观察去噪质量和下游 MI 表征表现是否呈现一致变化。相关 EEG 工作尚未检索确认。

    阅读价值：该研究以低维分布建模和后验估计解释扩散模型的表征学习能力，值得核对噪声尺度与表征质量之间的理论联系，以及参数共享相对去噪自编码器的作用证据。

9月18日周三
  1. OpenReview · State space models78

    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），重点比较现有方法的适用性及微调模块的选择，并提出 LoRA with Selective Dimension tuning（SDLoRA），将线性投影矩阵上的 LoRA 与 SSM 模块中部分通道和状态的选择性更新结合。 作者报告，在 SSM 模型上对四种基本 PEFT 方法进行经验评估后，prompt-based 方法（如 prefix-tuning）效果不佳，理论分析也支持这一观察；相比之下，LoRA 仍然有效。针对 LoRA 的应用位置，作者报告，理论与实验均支持仅将 LoRA 应用于线性投影矩阵、而不修改 SSM 模块的配置效果最好，直接以 LoRA 微调 SSM 模块则效果不佳。SDLoRA 并非在 SSM 模块中简单增加 LoRA，而是对其中部分通道和状态进行选择性更新，同时保留投影矩阵上的 LoRA。作者报告，该组合优于标准 LoRA，但摘要未提供具体任务、数据集、指标或增益幅度。 需核对的关键细节包括：四种 PEFT 方法的完整设置、通道与状态的选择规则、可训练参数预算及其匹配方式，以及理论结论的适用条件。实验协议、消融及统计信息尚未验证，不能据此判断其在不同模型规模或任务上的普适性。 平台推测（待验证）：若已有预训练 EEG SSM 编码器，该机制可能用于缓解跨被试适配中训练样本有限、全量微调成本较高的问题。可复用的是投影矩阵 LoRA 和 SSM 维度选择性更新的思路；需改造的是 EEG 输入映射、任务输出头及维度选择策略。其原始论证背景为语言建模中的 SSM，摘要未说明依赖的预训练规模或下游监督条件；低信噪比、通道配置变化和个体差异可能使所选维度不稳定。一个可证伪的小实验是在固定预训练编码器和 Cross-subject 划分下，以匹配的可训练参数预算比较投影矩阵 LoRA 与 SDLoRA，并检查多次运行的稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：该研究通过经验比较与理论分析区分 SSM 模块和线性投影矩阵的微调适用性，为复现 Mamba 类模型的 PEFT 提供了具体切入点，但实验协议与性能增益尚待全文核对。

9月17日周二
  1. OpenReview · Representation learning74

    论自监督表征学习的通用性

    基于摘要分析。本文研究自监督学习（SSL）如何获得兼具可区分性、泛化性与可迁移性的表征，提出通用性度量 σ-measurement 和 GeSSL 框架，尝试把训练样本上的学习效果与未见数据集、分布偏移下未见任务的适用性统一起来。 机制上，作者从任务视角重新解释 SSL，将每个 mini-batch 视为一个多类别分类任务，并区分两类目标：学习通用性，即降低所有训练样本上的损失；评估通用性，即学习能够泛化到未见数据集和任务的因果不变表征。σ-measurement 用于衡量 SSL 模型与任务专用最优模型之间的性能差距。GeSSL 先通过最小化 SSL 损失学习任务专用模型，再纳入后续更新以增强可区分性，最后整合这些模型，从多个 mini-batch 任务中学习。摘要未明确该更新过程的数学形式，也未说明因果不变性的具体识别或约束方式。 作者报告理论与实验证据支持 GeSSL 的有效性，但摘要未提供数据集、划分协议、对照方法、指标或数值。实验协议、消融及统计信息尚未验证；复现还需核对 σ-measurement 的计算方式、任务专用最优模型的求解条件、模型整合流程及计算开销。 平台推测（待验证）：若 mini-batch 任务整合确实能够减少表征对局部分布的依赖，该机制可能用于探索 EEG 跨被试或跨会话迁移。可复用的是任务化训练与模型整合思路；需要改造 EEG 编码器、任务构造及自监督目标，并验证其数据规模与监督依赖。EEG 的低信噪比、通道差异和小样本可能使批次任务主要反映噪声或被试特征，而非稳定任务信息。一个可检验的小实验是：固定 EEG 编码器与自监督目标，在相同 Cross-subject 划分下比较普通 SSL 与加入 GeSSL 任务整合的训练，核对下游同一指标及计算开销。已有 EEG 相关工作尚未检索确认。

8月20日周二
  1. OpenReview · State space models80

    谱状态空间模型

    基于摘要分析。本文研究具有长程依赖的序列预测，提出基于 spectral filtering algorithm（Hazan et al. 2017）学习线性动力系统的状态空间模型（SSM）新表述，并据此构建 spectral state space model。 核心机制是使用固定、无需学习的卷积滤波器进行序列建模；这不意味着模型全部参数均固定。作者报告，该方法具有可证明的鲁棒性，其性能不依赖底层动力系统的谱或问题维度，并在理论与实践中优于所比较的 SSM。上述保证的具体定义、假设、误差界及比较对象尚未验证，不能据摘要解读为对任意数据均无条件成立。 作者报告，在合成动力系统及不同模态的长程预测任务上的评估支持谱滤波处理极长记忆需求的优势。摘要未提供具体数据集、数据划分、指标、结果数值或基线配置；实验协议、消融及统计信息尚未验证，实现与复现条件也需查阅全文。 平台推测（待验证）：假设 EEG 任务确实依赖较长时间跨度的信息，固定时间卷积滤波器可能作为长程时序模块复用。原方法围绕线性动力系统与序列预测展开，对 EEG 的迁移需明确输入采样结构、预测监督及训练规模，并改造多通道输入与任务输出；固定滤波器不等于 EEG 频带滤波。低信噪比、跨被试非平稳性、通道差异与小数据可能削弱其收益。可检验的小实验是在预先固定的跨被试划分下，将该模块与一个 SSM 基线用于同一 EEG 预测任务，保持输入窗口和训练预算一致，比较不同窗口长度下的预测误差，以检验更长上下文是否带来稳定收益。该方案仅为迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对谱滤波如何在固定卷积滤波器下提供长程记忆及鲁棒性保证，但其理论适用条件与 EEG 迁移效果尚未验证。

8月4日周日
  1. OpenReview · EEG64

    EEG2IMAGE：从 EEG 脑信号重建图像

    基于摘要分析。EEG2IMAGE 研究如何在小规模 EEG 数据条件下，从被试想象物体类别与英文字符时记录的脑信号生成图像；核心方法是通过对比学习提取 EEG 特征，再使用 conditional GAN 合成图像。 技术机制：摘要描述的信号来自头皮 EEG，采集任务要求被试想象指定类别的物体和英文字符。框架将 EEG 表征学习与条件图像生成相结合，并修改 GAN 训练损失，以支持在图像数量较少时生成 128 × 128 图像。对比学习的正负样本构造、监督信息、EEG 特征如何作为生成条件，以及损失修改的具体形式均尚未验证，不能据摘要补充网络结构或训练细节。 结果与对照：作者报告，在小规模 EEG 数据上进行了实验与消融，并认为所提框架优于其他 state-of-the-art 方法。摘要未提供数据集名称、被试数、训练与测试划分、被试内或跨被试协议、对照方法名称及量化指标，因此目前无法判断改善幅度，也无法确认图像保真度、类别一致性与个体泛化能力。128 × 128 是作者报告的生成图像尺寸，并非重建质量指标。 证据边界与复现：需要核对全文中的 EEG 预处理、想象任务与目标图像的配对方式、数据划分、生成评价标准、损失消融及统计信息。尤其应区分类别条件下的图像合成与对具体想象内容的忠实重建；摘要尚不足以确认后者。辅助残障人士视觉的表述属于研究动机，不构成已验证的临床或辅助技术效果。代码、数据可用性及完整复现条件尚未验证。

7月10日周三
  1. OpenReview · State space models78

    MambaByte：无分词的选择性状态空间模型

    基于摘要分析。MambaByte 研究直接从原始字节学习的 token-free 语言建模：去除子词分词的归纳偏置，却也使序列显著变长。其核心贡献是将 Mamba 状态空间模型（SSM）适配为在字节序列上自回归训练的语言模型，并设计结合 tokenized drafting 与 byte-level verification 的推测解码方案。 机制上，摘要将标准自回归 Transformer 随序列长度增长的有效内存需求，与 Mamba 的固定大小记忆状态和高效解码进行对比。MambaByte 利用后者应对字节级长序列；解码阶段由分词模型生成草稿，再进行字节级验证。具体状态更新、训练损失、草稿模型配置与验证规则尚未验证。 作者报告，在语言建模任务上，MambaByte 可与先进的子词 Transformer 竞争，部分比较中甚至表现更好，同时保留 token-free 模型对噪声的鲁棒性。作者报告，相对于标准 MambaByte 实现，其推测解码方案实现 2.6× 推理加速，解码效率接近子词 Mamba。摘要未提供数据集、模型规模、性能指标、硬件、批量大小及序列长度，因此这些效果与速度结论的适用范围，以及实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，固定大小状态的序列处理机制可能缓解长时程 EEG 建模的计算与内存压力，但原任务依赖离散字节及自回归监督，并不等价于连续、多通道 EEG。可考察复用 SSM 序列模块，输入表示、通道融合与任务输出需改造；字节级验证方案不能直接照搬。低信噪比、跨被试差异、通道变化与小数据训练可能削弱收益。一个可证伪的小实验是在同一 EEG 数据划分与匹配训练预算下，对比 SSM 与 Transformer 随输入时长变化的任务性能、峰值内存及推理耗时；仅降低资源消耗不能证明解码效果改善。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其以固定大小状态处理长字节序列、并结合 tokenized drafting 与 byte-level verification 加速解码的机制，但语言建模效果与效率结论仍需核对全文实验协议。

6月29日周六
  1. OpenReview · State space models67

    基于状态空间模型的多影像站点重性抑郁障碍分类

    基于摘要分析。本研究针对重性抑郁障碍（MDD）的多影像站点分类，使用 fMRI 的 BOLD 多变量时间序列，提出基于 Mamba 的状态空间模型，以捕获长期依赖并提取多尺度上下文信息。研究属于脑影像分类方法，摘要不涉及 BCI 系统或临床部署验证。 核心机制是利用 Mamba 在维持线性扩展性的同时建模时间依赖，并通过整合式架构统一处理 channel-mixing 与 channel-independence 两种情形，在不同尺度的全局与局部上下文中选择用于预测的信息。具体尺度构建方式、通道定义、模块连接、损失函数及训练流程尚未验证。 作者报告，在来自多个影像站点、共 1642 名被试的数据上，平均分类 Accuracy 为 69.91%，并称相较其他方法有所改善。摘要未明确被试内或跨被试划分、是否采用留站点测试、类别比例、平均方式及对照方法，因此该结果不能直接解释为跨站点泛化或临床诊断效能；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设多尺度时间依赖与通道交互建模可迁移至 EEG，其可能对应长时程信息提取和多通道关联建模的瓶颈；可复用的是状态空间序列建模思路，需改造的是采样尺度、通道表示及预处理。fMRI 与 EEG 的时间分辨率和信号来源不同，EEG 的低信噪比、跨被试差异、通道配置变化及小数据条件可能削弱收益。一个可检验的小实验是在固定跨被试 EEG 划分、预处理与训练预算下，对比单尺度和多尺度 Mamba，并分别检验 channel-mixing 与 channel-independence 设置的作用。该迁移假设不构成本论文已验证的 EEG 结果，相关 EEG 工作尚未检索确认。

6月21日周五
  1. OpenReview · Representation learning72

    迈向高效的大规模语言-3D 表征学习

    基于摘要分析。该研究探索如何高效学习大规模 3D 对象与语言之间的跨模态表征，提出 MaskCL3D，结合 3D 点云、语言描述和多视角图像上的对比学习与掩码重建，并构建覆盖多类对象及描述的语言-3D 数据集。 机制上，对比学习用于跨模态表征学习，掩码重建提供补充学习信号；但摘要未说明具体对齐对象、掩码施加位置、重建目标、损失组合及推理流程，不能据此确定效率提升来自何种设计。其贡献同时涉及训练方法和数据资源，阅读全文时需核对两者的独立作用，以及训练与测试效率的衡量方式。 作者报告，在其评估的零样本分类和检索任务中，使用新数据集训练的模型优于使用其他数据集训练的模型，MaskCL3D 与新数据集的组合相较现有基线达到最先进性能；作者还报告，表征分析显示语言和 3D 表征包含丰富语义信息。摘要未提供数据集名称、规模、划分、基线、具体指标或数值，因此这些结论目前只能保留为作者的定性报告，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 与文本描述或刺激图像存在可靠配对，可假设跨模态对比学习与掩码重建的组合有助于学习语义相关表征，但 3D 对象上的结果不等于 EEG/BCI 效果。可复用的是学习目标的组合思路，需改造点云编码与重建模块以适应 EEG 时序和通道结构；低信噪比、跨被试差异及小规模配对数据可能导致模型学习刺激或被试特征，而非目标语义。一个可检验的小实验是在固定跨被试划分和相同数据预算下，比较仅对比学习与加入 EEG 掩码重建的模型，检查跨模态检索表现是否稳定改善。相关 EEG 工作尚未检索确认；代码、数据可用性及完整复现条件也尚未验证。

    阅读价值：值得核对 MaskCL3D 如何联合对比学习与掩码重建，以及方法改进和新数据集分别对零样本分类、检索及计算效率的贡献；摘要尚不足以分离这些因素。

6月18日周二
  1. OpenReview · State space models78

    谱状态空间模型

    基于摘要分析。该研究面向具有长程依赖的序列预测任务，提出基于 spectral filtering 算法学习线性动力系统的状态空间模型（SSMs）新表述，并由此构建 spectral state space model。其核心特点是采用无需学习的固定卷积滤波器，将谱滤波机制用于长记忆序列建模。 理论与实验：作者报告，该模型对需要长记忆的任务具有可证明的鲁棒性性质，并在合成动力系统及不同模态的长程预测任务上进行评估；作者认为这些评估支持 spectral filtering 在超长记忆任务中的理论优势。摘要未给出鲁棒性的具体定义、假设条件、滤波器构造、训练目标或推理流程，也未列出数据集、划分、对照基线和定量指标，实验协议、消融及统计信息尚未验证。阅读全文时应重点核对理论保证覆盖的动力系统范围，以及固定滤波器相对可学习机制的收益与限制。 平台推测（待验证）：迁移假设是，固定谱滤波器可能为 EEG 中长程时间依赖的提取提供可复用的时间建模模块，但原领域有效不等于 BCI 有效。其原始机制依赖序列数据及线性动力系统学习表述，所需监督形式与数据规模尚未验证；用于 EEG 时仍需适配多通道输入、任务输出及跨被试差异。低信噪比、非平稳性、通道配置变化和小数据可能削弱固定滤波器的适配能力。一个可证伪的小实验是在同一 EEG 任务、相同预处理与固定划分下，对比固定谱滤波模块与可学习时间滤波模块，分别记录被试内、跨被试结果，并检查延长输入窗口是否稳定带来收益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对固定卷积滤波器与长记忆鲁棒性之间的理论联系及其适用条件，但摘要尚不足以判断其对 EEG 长程建模的实际收益。

  2. OpenReview · State space models75

    ProtMamba：一种感知同源性但无需序列比对的蛋白质状态空间模型

    基于摘要分析。ProtMamba 针对蛋白质设计中如何利用同源序列的进化信息、同时避免依赖不完善的多序列比对构建流程这一问题，提出基于 Mamba 的蛋白质语言模型。其核心贡献是将拼接的同源序列作为长上下文输入，在不进行序列比对的情况下建模同源信息。 机制与训练：模型在大规模拼接同源序列数据上训练，通过 fill-in-the-middle 目标结合自回归与掩码语言建模。作者报告，相比基于注意力的模型，ProtMamba 能高效处理包含数百条蛋白质序列的长上下文。摘要未给出数据集名称、具体规模、模型参数量、目标实现及计算效率测量条件，这些信息尚未验证。 结果与证据边界：作者报告模型可用于新序列生成和适应度预测，并在模型规模较小的情况下取得与其他蛋白质语言模型有竞争力的表现，认为这体现了长上下文条件信息的重要性。具体指标、对照模型、数据划分、同源关系控制、消融及统计信息尚未验证，因此不能据此判断性能提升幅度或将效果单独归因于 Mamba、同源上下文或训练目标。 平台推测（待验证）：其长上下文条件建模机制可能为 EEG 中利用多段相关记录提供思路，但蛋白质同源序列的进化关系并不等同于跨被试或跨会话的 EEG 关联。迁移假设依赖可靠的记录分组与上下文构造，需要改造连续信号表示、通道编码和训练目标；低信噪比、通道差异及小数据可能使长上下文引入无关信息。一个可检验的小实验是在固定 EEG 任务与数据划分下，比较相关记录上下文、随机记录上下文和无上下文条件，检验收益是否来自上下文相关性。该实验仅为迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的具体原因是 ProtMamba 以无需多序列比对的同源序列长上下文建模探索进化信息利用，并结合 fill-in-the-middle 训练目标；其性能与规模优势仍需结合全文中的评估协议和对照核验。

6月17日周一
  1. OpenReview · EEG69

    EEG2TEXT：基于 EEG 预训练与多视图 Transformer 的开放词汇 EEG-to-text 解码

    基于摘要分析。研究针对开放词汇 EEG-to-text 解码难以达到较高准确性的挑战，提出 EEG2Text，将 EEG 预训练与 multi-view transformer 结合，以增强 EEG 信号的语义学习并建模不同脑部空间区域的信号处理。 机制方面，摘要将 EEG 预训练的作用描述为增强从 EEG 信号中学习语义的能力，将 multi-view transformer 的作用描述为建模不同脑部空间区域。预训练目标、数据来源、空间视图的定义及融合方式、文本解码器与训练流程均尚未验证，不能据此确定其具体网络结构或损失形式。 结果方面，作者报告，在其开放词汇 EEG-to-text 实验中，相较摘要所称的现有最先进基线，BLEU 和 ROUGE 分数的绝对提升最高达 5%（原文表述）。摘要未给出具体指标变体、分数尺度、逐项结果或基线名称，因而不能将这一增益解读为解码 Accuracy 提高 5%，也不能判断它是否适用于所有评估条件。数据集、被试数量、被试内或跨被试协议、数据划分、消融及统计信息尚未验证。 复现时需核对 EEG 与文本的对应方式、训练与测试划分、预训练数据与评估数据的关系，以及各模块相对同条件基线的独立贡献。还需确认文本解码所需输入与推理条件，并比较仅依赖语言信息的对照，以判断生成质量提升中 EEG 信息的实际作用；这些是待核对事项，并非已确认的实验缺陷。摘要支持将该方法视为开放词汇脑信号到文本解码的研究方案，但尚不足以认定其已具备实际交流系统的可靠性。

5月28日周二
  1. OpenReview · Representation learning75

    以多样性实现统一：改进多模态 VAEs 的表征学习

    基于摘要分析。该研究针对多模态 VAEs 中共享表征的硬约束可能限制模态信息保留的问题，提出 mixture-of-experts prior，以软约束引导各模态的潜在表征靠近共享的 aggregate posterior。核心贡献是用较柔性的跨模态对齐替代编码器输出、解码器输入或二者的强制共享。 机制上，作者认为现有共享结构对模型施加了硬约束，而所提先验可在形成共同表征的同时，更好地保留各模态原始特征中的信息。摘要未给出先验的具体参数化、aggregate posterior 的构造方式、损失形式及训练与推理流程，不能据此判断其实现复杂度或与既有方法的结构差异。 作者报告，在多个基准数据集及一个具有挑战性的真实神经科学数据集上，相比现有方法，所学潜在表征和缺失模态补全均有改善。摘要未提供数据集名称、神经信号类型、被试数、划分协议、对照方法或具体指标；实验协议、消融及统计信息尚未验证，也无法判断表征改善对应何种下游任务。 平台推测（待验证）：假设用于 EEG 与其他同步模态的联合建模，软共享机制可能缓解不同模态信息被强制压入共同表征的瓶颈。其依赖模态间存在可学习的共享结构，配对数据与监督条件仍需核对；可考虑复用先验与软对齐思想，但需改造 EEG 编解码模块及缺失模态处理流程。低信噪比、跨被试差异、通道变化和小数据条件可能使共享表征受较强模态主导。一个可检验的小实验是在同一配对数据与固定跨被试划分下，对比硬共享和软约束模型，并在预先规定的模态缺失条件下评估补全及下游任务表现。以上不是已验证的 EEG/BCI 结果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其 mixture-of-experts prior 如何在跨模态共享与模态特有信息保留之间实现软约束，以及缺失模态补全的收益是否在不同缺失条件下稳定；摘要中的神经科学实验尚不足以确认 EEG/BCI 适用性。

3月1日周五
  1. OpenReview · EEG67

    EEGFormer：面向可迁移、可解释的大规模 EEG 基础模型

    基于摘要分析。该研究针对现有 EEG 自监督方法多在单个数据集、单一下游任务上预训练，以及端到端学习结果难以理解的问题，提出 EEG 基础模型 EEGFormer。其核心思路是在大规模复合 EEG 数据上进行自监督预训练，学习可用于多种下游任务的通用表示，并提供对数据中有用模式的解释。 技术机制：摘要明确了多来源数据预训练与自监督学习的总体路线，但未说明复合数据的组成、信号预处理、通道对齐、预训练目标、模型结构及下游适配方式。不能仅凭 EEGFormer 名称推断其具体网络设计，也无法判断模型如何实现模式解释，以及解释是否经过独立验证。 评估与贡献：作者报告在多种下游任务及不同迁移设置下开展了评估，并展示了可迁移的异常检测表现与所学习模式的可解释性。摘要未提供任务清单、数据集、被试规模、划分协议、对照基线或量化指标，因此尚不能判断结果对应跨被试、跨会话还是跨数据集迁移，也不能据此确认其优于现有方法。文中癫痫检测等应用是研究背景，不应直接视为已完成的评估任务。 复现与核对重点：需取得全文确认预训练和下游数据的关系、迁移设置、异常检测评价标准，以及解释结果所依据的分析方法；实验协议、消融及统计信息尚未验证。代码、预训练权重和复现资源的可用性也尚未验证，当前材料不足以将其认定为模型权重发布。

2月8日周四
  1. OpenReview · Representation learning76

    通过最优 canonical metric 进行自监督李代数表征学习

    基于摘要分析。该研究针对有限训练样本下的视觉分类，提出自监督李代数表征学习框架 SLA-Net，核心是将表征距离的优化置于李代数的向量空间中，并联合自监督学习与监督分类。 作者指出，在其讨论的理论设定下，直接使用李群上的 canonical metric 并不正确，并声称证明了有效的优化度量应采用李代数上的 canonical metric。SLA-Net 最小化目标与预测李代数表征之间的 canonical metric 距离，以避免在流形上计算非平凡测地距离；自监督任务与监督分类同时优化同一组共享参数。摘要未说明目标表征的构造方式、自监督任务、度量的具体形式，以及原标题中“Optimal”所对应的优化条件，这些均需核对正文。 作者报告，在八个公共数据集上的有限样本视觉分类评估支持 SLA-Net 的有效性，并将泛化改善归因于联合优化。摘要未提供数据集名称、样本规模、数据划分、对照基线或具体指标，因而无法判断收益幅度及适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 特征具有可合理映射至李群或李代数的几何结构，该方法的向量空间距离优化与共享表征学习可能有助于小样本 EEG 分类。可复用的是李代数表征距离与联合优化思路；需改造的是 EEG 编码器、几何映射及自监督目标，不能直接将一般 EEG 特征或协方差结构等同于论文所需的李群结构。低信噪比、跨被试分布差异、通道配置变化及小数据下不稳定的几何估计都可能使收益失效。可检验的小实验是在固定跨被试划分与相同标注预算下，比较同一编码器的监督基线、加入普通向量距离的自监督版本及加入论文李代数度量的版本，核对分类指标及多次重复的波动。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对其 canonical metric 的理论适用条件及自监督与监督分类共享参数的实现；这为有限样本表征学习提供了具体研究路径，但在 EEG 上的有效性尚未验证。