跳到正文
只看一手#Pretraining
10月9日周五
  1. arXiv · 泛化与分布偏移77

    PLaW-VLA：用于视觉-语言-动作策略的预测式潜在世界建模

    PLaW-VLA 研究如何为视觉-语言-动作（VLA）策略提供有助于长时程控制的未来状态信息，核心贡献是在预训练的预测导向表征空间中建模任务相关未来状态，而非重建低层视觉细节。基于摘要分析，尚未取得论文全文。 方法采用 Mixture-of-Transformers 架构，通过结构化因果注意力，将观测历史、当前任务语义和预测未来状态共同用于条件化动作生成。其关键设计是减少对控制无关视觉细节的预测负担，并采用可并行预测未来状态的轻量潜在世界模型。表征预训练方式、任务相关性的实现、损失函数、预测跨度以及注意力连接细节尚未验证。 作者报告，在 RoboTwin Hard Horizon III 上，相对反应式策略提升 11.8 个百分点；在零样本 LIBERO-Plus 上，相对重建导向潜在预测提升 1.77 个百分点。摘要分别以这些结果支持长时程控制改善和分布偏移下的泛化，但未明确指标名称、数据划分及具体对照实现，不能将不同评估中的增益直接比较。作者还报告，在策略性能相近的条件下，推理延迟约为生成式世界—动作建模的 1/19；硬件、延迟测量范围和具体基线尚未验证。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可供 EEG 方法借鉴的假设是，预测任务相关潜在状态可能比重建原始信号更适合提供决策上下文，而非直接迁移整个 VLA 架构。该路径依赖有序时序数据、有效的任务监督或条件信息，以及足以学习预测表征的数据规模；需改造 EEG 编码器、任务条件和输出模块。低信噪比、跨被试差异、通道变化与小数据可能使潜在预测捕捉非任务因素。一个可证伪的小实验是在固定 EEG 任务与跨被试划分下，比较无未来预测、信号重建式预测和任务相关潜在预测，统一编码器容量与训练预算。此为迁移假设，不是本文已验证的 EEG/BCI 结果；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其预测导向潜在表征与结构化因果注意力如何支持长时程控制，尤其是相对反应式策略、重建导向预测和生成式世界—动作建模的效果与延迟权衡；具体实验协议尚未验证。

  2. arXiv · 时序与音频基础模型73

    AdaCast：用于自适应时间序列预测的条件参数生成

    基于摘要分析。AdaCast 针对时间序列基础模型（TSFM）的静态适应问题，提出条件参数生成框架：根据每个输入生成低秩参数更新，使冻结的预训练模型能够针对不同时间模式、季节性与动态特征进行预测。 核心机制是由生成器产生输入特定的低秩参数更新，并在训练和推理阶段应用这些更新。与为整个数据集学习一组固定更新、对所有输入使用同一适应模型的方案相比，其关键区别在于参数适应随输入变化。摘要未说明生成器结构、条件输入形式、更新作用位置、低秩设置及训练目标，这些细节尚未验证。 作者报告，在六个公开基准上，AdaCast 的域内预测表现持续优于静态适应基线，并改善了对跨领域留出数据集的零样本泛化。摘要未提供基准名称、指标、提升幅度或具体数据划分，不能据此量化收益或比较不同协议；实验协议、消融及统计信息尚未验证。复现还需核对预训练 TSFM、生成器训练所用数据、留出数据集与训练数据的关系，以及训练和推理的计算开销。 平台推测（待验证）：输入条件化更新可能用于缓解 EEG 时序预测中不同被试或状态造成的动态异质性，但原领域有效不等于 BCI 有效。可复用的部分是冻结主干与条件低秩更新机制；需改造输入表示、通道组织和预测目标，并确认 EEG 数据规模与监督条件能否支持生成器训练。低信噪比、通道差异及小数据可能使生成器追随伪迹而非稳定动态。一个可证伪的小实验是在固定 EEG 预测主干、训练数据与更新预算下，对比静态低秩更新和输入条件化更新，采用被试隔离的 Cross-subject 划分并检查误差与伪迹敏感性。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对输入条件化低秩参数更新相较静态适应的增益及其跨数据集泛化边界；摘要提供了明确机制，但其对 EEG 的适用性尚未验证。

10月8日周四
  1. arXiv · 在线与高效推理74

    通过 Cross-Step Attention 实现实时视频超分辨率的流式感知扩散

    基于摘要分析。该研究针对实时视频超分辨率（VSR）中扩散采样成本高、帧间协调不足的问题，将预训练单图像潜空间扩散模型适配为流式推理框架，通过复用相邻帧与扩散步的中间特征，在延迟约束下改善空间细节与时序一致性。 核心机制包括 Cross-Step Attention：复用相邻帧及扩散步的中间去噪特征，使时序信息在无需显式时序建模的情况下交换；以及 Trajectory-Coupled Diffusion Scheduling：对齐相邻扩散状态，为跨步条件化提供更干净的中间表示。流式管线逐帧增量传播潜状态。作者报告，对于 N 帧、S 个扩散步，有效计算复杂度由 O(N·S) 降至 O(N+S)；这一结论的计算口径、适用条件及冷启动成本尚未验证。 作者报告，在 REDS4 和 YouHQ40-Test 上改善了感知质量与时序真实感，同时维持逐帧稳定性；在 512×512 分辨率、冷启动之后达到超过 40 FPS。摘要未提供具体质量指标、对照基线、硬件、扩散步数及端到端延迟，因此不能仅凭吞吐判断实际部署条件下的实时性。实验协议、消融及统计信息尚未验证，复现还需核对特征缓存与潜状态传播的实现、显存开销及序列边界处理。 平台推测（待验证）：其跨步缓存机制可能启发采用迭代生成或去噪模型的流式 EEG 重建，但依赖相邻输入状态的连续性，不能直接等同于 BCI 解码收益。可复用的是中间特征缓存与状态调度思路，需改造的是 EEG 编码、通道表示及时间窗口接口；低信噪比、状态突变、跨被试差异和小数据训练可能导致误差持续传播。小规模可检验实验是在固定 EEG 去噪模型与连续窗口协议下，对比独立窗口推理和跨窗口缓存，联合测量重建误差、延迟与误差累积。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对其跨帧、跨扩散步特征复用如何降低流式推理成本，尤其是冷启动后实时吞吐与时序稳定性的评估条件；摘要所述复杂度收益尚需全文验证。

  2. arXiv · 时序与音频基础模型78

    Timer-M1：通过学习基元构建多变量时间序列基础模型

    基于摘要分析。Timer-M1 面向跨领域多变量时间序列的零样本预测，通过基于基元（primitives）的数据合成与预训练，学习跨领域共享的时间模式及变量关系，以应对不同场景中模式表现和演化方式的差异。 方法上，合成流程先生成包含 temporal primitives 的序列，再利用 relational primitives 将真实序列与生成序列组装为多变量样本。随后，将样本组织为 episodes，并明确区分目标变量、仅提供历史信息的协变量及已知未来信息的协变量，使模型利用可用外生信息预测目标变量。模型采用经调整的门控二维 Transformer 模块，在不同层中动态分配跨变量注意力；具体门控实现、训练目标、数据规模及推理配置尚未验证。 作者报告，在三个大规模预测基准上，与近期时间序列基础模型比较，Timer-M1 在 FEV 和 TIME 排名第一，在 GIFT-Eval 排名第二。摘要未提供具体指标值、预测长度、数据划分或完整对照模型列表，不能据排名推断提升幅度。实验协议、消融及统计信息尚未验证；复现还需核对基元生成规则、真实与合成数据配比、通道角色分配及模型权重可用性。 平台推测（待验证）：其原问题是利用跨领域共享模式实现零样本预测，依赖多变量时序结构及明确的协变量可用性。迁移假设是，基元合成与跨变量注意力可能用于 EEG 的跨通道信号预测，但不等同于已验证的 BCI 解码能力。可复用的是合成流程和变量交互建模；需改造的是 EEG 基元定义、通道角色与任务输出，尤其不能将未知未来 EEG 当作已知协变量。低信噪比、被试差异、通道布局变化和小数据可能使合成模式与真实信号失配。可检验的小实验是在固定 Cross-subject 划分下，对比加入与不加入 EEG 基元合成的同一预测模型，使用相同预测窗口及误差指标评估；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其基于 temporal primitives 与 relational primitives 的数据合成及通道角色建模，是否能改善多变量预测的泛化；摘要报告的基准排名及其向 EEG 迁移的价值仍需分别验证。

  3. arXiv · 泛化与分布偏移72

    AutoAdapt：临床分布偏移下的可靠少样本适应

    基于摘要分析。该研究针对临床预训练模型迁移到目标医院时，仅有少量带标签患者可用于适应的问题，提出 AutoAdapt，以联合处理适应策略随任务变化、以及小样本下策略比较不可靠这两项挑战。 方法包含两个核心设计：Adapter 定义可扩展的适应方案空间，Automator 根据适应患者中的证据构建方案的加权组合。摘要将选择预训练模型、确定更新范围及选择适应患者列为适应过程中的决策，但各项在方案空间中的具体实现尚未验证。作者提出一项可靠性规则，要求被选策略在多数可用患者上表现最有效，再将选中策略组合用于少样本适应；规则的数学定义、权重计算和患者证据的评估方式尚未验证。 作者报告，在重症监护、急诊和诊断数据集的实验中，AutoAdapt 仅使用少量患者进行适应即可持续取得 state-of-the-art 表现。摘要未提供具体数据集名称、患者数量、划分协议、指标或对照基线，因此无法核对优势幅度，也不能据此判定其在不同任务上的稳健性。实验协议、消融及统计信息尚未验证；复现需进一步核对候选方案空间、预训练模型来源、适应与评估样本的划分及策略选择流程。 平台推测（待验证）：若存在可复用的 EEG 预训练模型和少量目标被试标注，该框架可能用于跨被试或跨会话适应中的策略选择。可复用部分是方案搜索与加权组合机制，需改造部分包括 EEG 更新策略、通道配置及证据统计单位。假设其可靠性规则能缓解小样本策略选择波动，仍须考虑低信噪比、被试差异和相关试次可能使方案排名不稳定。一个可检验的小实验是在固定跨被试划分下，用少量目标标注选择方案，并在独立留出数据上比较组合方案与预先固定的单一适应方案，检验性能及重复抽样的稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其利用少量目标患者证据筛选并加权组合适应策略的可靠性机制，但策略评估是否稳健及其对 EEG 分布偏移的适用性尚未验证。

  4. arXiv · EEG 与神经表征73

    预测拟合相近但潜在动力学不同：刻画脑疾病个体化模型学到的动力学结构

    基于摘要分析。研究考察个体化模型在预测拟合相近时，其学到的潜在动力学是否仍呈现与临床分组相关的差异。核心贡献是将 EEG 表征转为共享潜在状态，并比较逐被试拟合的转移依赖图，强调预测表现与模型内部动态结构应分别评估。 方法上，作者使用在 Temple University EEG Corpus（TUEG）上预训练的轻量 CNN–Transformer EEG 基础模型提取片段级表征，再将 Temple University Epilepsy Corpus（TUEP）的表征映射至共享潜在状态空间。随后为每位被试独立拟合稀疏 multinomial logistic transition distributions（mLTD），得到个体化转移依赖图 W_n。摘要未说明潜在状态构建过程、k 的确切定义及稀疏化配置。 分析包含 198 名被试，其中癫痫与非癫痫各 99 名。作者报告，k=4 时癫痫组学到的依赖结构更密集（p=1.1×10⁻⁷），k=6 时也观察到同方向差异（p=5.2×10⁻⁵）。基于图特征的组别判别采用按被试划分的五折交叉验证，AUROC 在 k=4 时为 0.68、k=6 时为 0.65，显示中等程度的组别区分能力。 相比之下，作者报告 k=4 时癫痫组与非癫痫组的留出数据 log-likelihood 分别为 −0.992 与 −0.991（p=0.95），下一状态预测 AUROC 分别为 0.855 与 0.861（p=0.54）。这些结果支持在所用模型和评估条件下，预测拟合相近仍可伴随学到的动态结构差异；不能据此将依赖图直接解释为生理连接或疾病因果机制。 复现时需核对共享状态空间与图特征的构建是否纳入交叉验证流程、留出预测的具体划分、记录长度和采集条件的影响，以及图密度对状态数量与稀疏化配置的敏感性。全文未取得，实验协议、消融及统计信息尚未验证；摘要结果也不足以确立临床诊断效用。

    阅读价值：该研究提供了比较个体化模型所学动态结构与预测性能的具体路径；作者报告两组预测表现相近但依赖图密度不同，值得核对共享潜在状态构建及图结构差异的稳健性。

  5. arXiv · 泛化与分布偏移78

    LLM 的摊销式离策略评估

    基于摘要分析。研究针对 LLM 候选模型的离线部署评估：既有模型产生的日志与候选模型响应之间存在策略偏移，业务要求变化又会带来奖励偏移。作者提出 PFN-OPE，以 prior-data fitted network 在上下文老虎机任务分布上预训练，将离策略评估（OPE）的拟合成本摊销到多个任务。 核心机制是利用 LLM 响应池及多个奖励函数构造同时包含两类偏移的预训练任务。测试时，模型接收日志数据集以及每个提示的一条采样目标响应，通过单次前向推理输出价值估计，无需逐任务重新拟合。其方法重点不是重新定义奖励，而是学习跨任务复用的评估映射；预训练任务分布对部署条件的覆盖程度，是理解泛化能力时需要核对的关键。 作者报告：在 HelpSteer2 和 UltraFeedback 上，使用 Qwen、Llama 与 Gemma 策略，在奖励发生偏移的设置中，PFN-OPE 在所有已测试配置下相对最佳基线取得了原文表述为“2.0 至 9.3 倍更低”的误差。摘要未明确误差指标、具体模型版本、训练与测试划分，以及策略偏移和奖励偏移的构造方式，因此不能将该倍数换算为 Accuracy 提升或直接外推到未测试配置。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 BCI 系统记录了上下文、决策动作及反馈奖励，这种摊销式 OPE 机制可能用于评估解码策略更新或反馈目标变化，而非直接作为 EEG 特征提取方法。可复用部分是跨任务评估器，需改造任务生成、动作表示和奖励定义；EEG 低信噪比、跨被试变化、小规模日志及行为策略覆盖不足均可能使估计失效。一个可证伪的小实验是在具有已知策略价值的模拟上下文老虎机任务中引入被试差异和奖励变化，比较预训练评估器与逐任务 OPE 基线的价值估计误差。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是 PFN-OPE 将持续部署中的策略偏移与奖励偏移共同纳入摊销式离策略评估，并以单次前向推理替代逐任务拟合；其误差优势仍需结合全文中的划分、误差定义及基线协议核对。

10月7日周三
  1. arXiv · EEG 与神经表征77

    跨模态对齐中的被试规模扩展：利用 EEG 基础模型进行视频解码

    基于摘要分析。研究考察自然视觉 EEG 解码是否受益于扩大训练被试规模，并通过 EEG–视频跨模态对比编码器比较基础模型初始化与随机初始化的扩展表现。核心贡献是提出被试规模收益可能存在起点：小规模队列中的有限增益，不一定能代表更大队列的扩展规律。 方法与对照：研究利用共享自然视觉刺激进行 EEG–视频对齐，训练队列规模比既有相关研究大一个数量级以上。摘要列出的评估包括需要拟合的刺激特征探针，以及无需拟合的电影时刻检索；初始化对照包括 EEG 基础模型与两个深度的随机初始化编码器。具体基础模型名称、对比损失、视频表征方式、网络结构与各规模阶梯尚未验证。 作者报告，在其被试规模阶梯中，S≈50 以下，各模型相对未训练编码器均无明显改善；超过这一范围后，两类评估的解码表现随被试数呈对数线性增长，在所测试的最高规模处未见饱和，且收益迁移到第二部未见电影。作者还报告，基础模型初始化编码器在队列每翻倍时的扩展速率约为随机初始化对照的 1.6 倍，是最高规模处唯一仍能通过增加被试提高检索 Accuracy 的模型，并以较少的对齐计算量收敛。摘要未给出绝对 Accuracy、最高被试数、计算量或统计不确定性，不能将该速率比解释为准确率提高 1.6 倍。 证据边界与复现重点：需核对训练和评估的被试划分、时间片段划分、电影间迁移设置，以及共享刺激条件下候选检索集合与未训练基线的定义。摘要不足以确定结果属于何种 Cross-subject 或 Cross-session 协议，也不能将未见电影迁移直接等同于 Cross-dataset 泛化。实验协议、消融及统计信息尚未验证。作者将共享自然刺激上的被试扩展视为尚未饱和的方向，但这一结论仅适用于已测试规模与任务，尚不能外推到任意 EEG 数据或其他 BCI 范式。

    阅读价值：值得核对其被试规模阶梯与评估划分，以检验共享自然视觉刺激下被试扩增的收益起点，以及 EEG 基础模型初始化相对随机初始化的扩展效率优势。

10月6日周二
  1. arXiv · 时序与音频基础模型82

    时序基础模型中的上下文系统辨识衰减：反事实输入诊断与合成受迫系统微调修复

    基于摘要分析。研究考察带协变量的时序基础模型能否利用上下文回答受迫工程系统的反事实问题，即未来输入变化会如何改变输出。作者通过精确反事实对照诊断动态响应缺陷，并尝试以推理时上下文扰动和合成受迫系统微调修复。 研究比较 Chronos-2、TimesFM-2.5、TabPFN-TS 与使用相同上下文拟合的经典系统辨识方法。作者报告，通过默认协变量接口，TimesFM-2.5 和 TabPFN-TS 对输入变化的预测效应呈无记忆特征，即仅依赖同一时刻的输入变化；Chronos-2 能在上下文中辨识动态，但预测效应仅为真实效应的 0.33–0.80，恢复的脉冲响应形状也不正确。这些结论针对所测接口与系统，不宜外推为模型所有配置下的性质。 作者报告，在单自由度振子实验中，Chronos-2 使用 8192 个上下文样本时误差趋于 0.57，而 ARX 使用 256 个样本时达到 0.02；摘要未说明该误差的定义与归一化方式。推理时上下文扰动在全部六类合成系统上降低了反事实预测误差。一次耗时 26 分钟的合成受迫系统微调将响应敏感度恢复至 0.83–0.96，并在 Wiener-Hammerstein 和留出的摩擦系统类别上优于不预设结构的辨识方法；硬件及训练配置尚未验证。使用相同数据训练的专用上下文辨识器表现接近，作者据此认为受迫系统训练数据贡献了大部分增益。 边界同样重要：作者报告，在四个实测系统中的三个上，经典辨识仍明显更优，且微调损失了部分单变量预测能力。成对反事实输入与实测记录中打乱的未来输入共同检验接口能否表达动态、预训练先验是否覆盖系统时间尺度；作者指出，只有反事实配对暴露了响应衰减。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该诊断思路可能用于具有明确外部输入的 EEG 刺激响应建模，而非直接用于一般 BCI 分类。可复用反事实配对与脉冲响应检验，但需改造通道表示及被试条件建模；低信噪比、潜在混杂和小数据可能使真实响应无法辨识。一个小实验是在已知输入—响应卷积系统中加入 EEG 背景噪声，比较基础模型与 ARX 的响应恢复误差，并留出响应时间尺度测试泛化。已有 EEG 相关工作尚未检索确认。

    阅读价值：该研究用精确反事实输入区分协变量接口的动态表达能力与上下文辨识衰减，并比较合成受迫系统微调和经典系统辨识，值得核对其诊断协议及修复收益与预测能力损失之间的权衡。

  2. arXiv · EEG 与神经表征78

    SpecBraM：EEG 基础模型应预测什么？掩码频带功率预测与波形重建的比较

    基于摘要分析。研究探讨 EEG 自监督预训练应预测何种物理量，提出 masked band-power prediction（MBP，掩码频带功率预测），并与波形重建比较。其核心贡献是通过匹配条件的实验检验预训练目标对睡眠分期表征的影响，同时考察收益能否迁移到其他任务。 MBP 为被掩码的通道—时间片段预测固定窄频带的对数谱能量，旨在保留与睡眠分期相关的节律功率，避免相位敏感的波形重建及学习式码本。作者使用三个预训练随机种子，在相同骨干、2,388 小时预训练数据和相同训练步数下比较频带功率与波形目标，并采用 2×2 tokenizer-by-target 设计区分 tokenizer 与预测目标的影响；摘要未提供具体骨干、损失形式或频带配置。 作者报告，在 ISRUC 和 HMC 睡眠分期的严格线性探测协议下，使用全部标签时，MBP 相较原始波形及频带波形重建提高 1.6–2.8 个 Balanced Accuracy 百分点；使用 1% 标签时提高 4.7–7.3 个百分点，且目标的影响大于 tokenizer 的影响。按 ISRUC/HMC 顺序，冻结特征的 Balanced Accuracy 为 0.7916/0.7425，匹配的丰富手工频谱特征基线为 0.7636/0.7227；但在 1% 标签条件下，与该基线的差距约为一个百分点。作者报告，全量微调的 Balanced Accuracy 为 0.8107/0.7669。被试与会话划分、标签抽样方式、各对照的具体实现及统计不确定性尚未验证，不能据此直接比较其他研究的分数。 作者报告，这些收益未普遍扩展到运动想象、抑郁筛查和警觉性回归等具有频谱线索的任务，支持根据下游标签相关的物理量及空间、时间尺度选择预训练目标，而非将 MBP 视为普适替代方案。复现需核对预训练数据组成、掩码策略、频带定义、线性探测约束和 1% 标签采样协议；完整实验协议、消融及统计信息尚未验证。

    阅读价值：匹配骨干、预训练数据与训练步数的目标对照及 tokenizer-by-target 设计，有助于核对睡眠分期收益是否主要来自预训练目标，同时其未普遍迁移的结果值得用于审视 EEG 基础模型的任务适用边界。

  3. arXiv · 时序与音频基础模型84

    时序基础模型的尺度不变训练

    基于摘要分析。本文研究时序基础模型在混合不同数值尺度的数据集上训练时，损失计算方式如何改变各序列的训练权重，提出在缩放后的目标上计算损失的尺度不变训练（ScaleIn），并给出理论分析与预测实验。 核心机制是区分输入归一化与损失计算空间。作者指出，Reversible Instance Normalization（ReVIN）等仿射缩放方法若在计算损失前逆变换回原始尺度，相比在缩放目标上计算损失，每条序列的梯度会被乘以 b^p，其中 b 为缩放分母（如标准差），p 为损失的齐次次数。作者将其称为尺度污染训练（ScaleCon）：原始数值尺度成为隐式重要性权重，使大尺度序列主导训练。作者证明，在缩放器具有尺度等变性、残差损失为 p 次齐次函数的条件下，ScaleIn 可使每个 mini-batch 的梯度及整个优化轨迹对训练序列各自独立的任意重缩放保持不变；适用损失包括 MSE、MAE 和 Quantile Loss。这是有条件的尺度不变性结论，不等同于对所有归一化与损失组合均有效。 作者报告，在合成与真实数据的受控研究中观察到两类训练目标的收敛差异；在四种 TSFM 架构的预训练评估中，ScaleIn 在全部 24 个架构—基准比较中降低 MASE，各 TSFM 的平均降幅在 GIFT-Eval 上为 18.8%，在 M-competitions 上为 21.9%。作者还报告，在监督式神经预测的 20 个匹配设置中，有 16 个设置降低 MASE，并称多数现有预测流程可通过一行代码修改采用该方法。具体架构、训练规模、数据划分、基线配置、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能对应 EEG 跨被试、跨会话或跨设备训练中的幅值差异，但原领域结果不等于 BCI 效果。可复用的是连续值预测或重建任务中缩放目标与损失空间的一致性；需核对按通道还是按试次缩放，以及逆变换的位置。若幅值本身包含任务信息，或低信噪比、小数据条件下尺度估计不稳定，等权化也可能削弱有效信号。一个可检验的小实验是在固定 EEG 预测划分、模型与随机种子的前提下，仅比较 ScaleCon 与 ScaleIn，并对训练序列独立重缩放，检验梯度一致性及测试误差；分类损失不能直接套用上述结论。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对时序模型归一化后训练损失的计算空间：作者给出尺度影响梯度的理论条件，并报告匹配实验中的预测改善，但其对 EEG/BCI 的价值尚未验证。

10月5日周一
  1. arXiv · 时序与音频基础模型76

    神经表征，自然连接：人类语音基础模型的哪些能力可迁移至动物发声？

    基于摘要分析。该研究考察人类语音预训练模型向动物发声任务迁移时，预训练领域、语言覆盖与表征层位置如何影响效果，贡献是对多类冻结编码器进行受控比较，而非提出新的基础模型。 作者评估了 15 个冻结编码器，覆盖单语与多语语音、说话人验证、动物生物声学及通用音频预训练，任务包括四个物种的发声个体识别，以及三个物种的叫声类型分类。摘要未提供具体模型、物种、数据集、下游分类器与数据划分，因而结果只能在所述任务范围内解读。 作者报告，在七种评估设置中，最强语音预训练表征相对最强动物预训练表征的 UAR 差值为 −0.027 至 +0.119；语音表征在其中三种设置中显著更好（p<0.01），其余四种未见显著差异。未见显著差异不等于已证明等效。受控比较未显示增加语言覆盖或动物领域预训练具有系统性优势，冻结的说话人验证嵌入迁移效果较差。作者还报告明显的层依赖性：原始波形模型的最佳表征出现在较早层，patch-spectrogram 模型则出现在较深层。具体层位、统计检验、多重比较处理、实验协议与消融信息尚未验证。 平台推测（待验证）：其可迁移启示是假设预训练任务相近并不足以保证目标任务收益，冻结表征的层选择可能同样重要；这不是已验证的 EEG/BCI 结论。若检验该假设，可在固定 Cross-subject 划分及相同下游分类器条件下比较冻结 EEG 编码器各层表征，并仅用训练与验证数据选择层位。可复用的是逐层受控评估流程，需改造的是输入通道、采样与特征适配；低信噪比、被试差异及小样本可能使层位优势不稳定。已有 EEG 相关工作尚未检索确认。

    阅读价值：该研究通过冻结编码器对照与逐层分析检验人类语音表征向动物发声任务的迁移，为预训练领域和特征提取层的选择提供可核对的证据，但不能据此认定其对 EEG 有效。

  2. arXiv · 时序与音频基础模型73

    正常性约束学习：将基础模型适配于时间序列异常检测

    基于摘要分析。研究针对时间序列基础模型（TSFMs）可能同时准确重建或预测正常与异常模式、导致误差型异常评分失去区分能力的问题，提出轻量、即插即用的 Normality Constraint Learning（NCL）。其核心贡献是在不修改预训练参数的条件下，将模型的广泛模式建模能力约束到目标时间序列的正常结构。 机制上，NCL 从少量正常 patch 特征构建紧凑的正常性子空间，通过对比约束形成紧凑且具有区分性的正常性流形，并在该子空间内自适应地引导各 patch 特征向正常结构靠拢。校准后的特征经聚合以强化正常成分，再与原始 TSFM 输出融合，以扩大正常与异常观测在重建或预测误差上的差异。摘要未提供子空间构建算法、对比损失形式、融合方式及额外训练成本，这些实现细节尚未验证。 作者报告，在多类 TSFM 与多个基准上的实验中，NCL 持续改善异常检测性能；但摘要未列出具体模型、数据集、指标、数值、划分或对照基线，不能据此判断改善幅度及适用边界。复现时需核对正常 patch 的来源与筛选条件、异常评分和阈值设定，以及不同组件的消融与统计信息；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若用于 EEG 异常片段或伪迹检测，NCL 的正常结构约束可能缓解基础模型将异常也重建得过好的问题，但这不等同于已验证的 BCI 解码收益。该假设依赖少量正常片段能够代表目标分布；可复用正常性子空间与特征校准思路，需适配 EEG 的多通道特征、patch 划分及评分方式。低信噪比、跨被试或跨会话差异、通道变化及小数据可能使正常子空间不稳定，或将有意义的神经活动误判为异常。一个可检验的小实验是在固定被试内划分、相同冻结骨干和相同正常训练片段下，对比原始误差评分与 NCL，并改变正常片段数量以检验收益稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其在冻结 TSFM 预训练参数的条件下，能否通过正常性子空间恢复误差型异常评分的区分能力，尤其需要验证正常样本选择与不同异常类型对收益的影响。

  3. arXiv · 学习目标与优化63

    生物医学领域神经机器翻译的模型压缩研究

    基于摘要分析。研究针对专业术语密集、平行语料有限的法语到英语生物医学翻译，联合考察知识蒸馏与量化，并比较多种微调策略，以提升压缩学生模型的领域适应能力与部署效率。 知识蒸馏通过大教师模型向较小学生模型传递知识，但领域平行数据稀缺可能限制迁移效果；量化通过降低权重与激活的数值精度降低计算开销，但精度下降可能损害翻译质量。摘要以32-bit到8-bit说明量化概念，不能据此确认本研究实际采用的位宽。研究的主要关注点是两种压缩技术与领域微调的组合，而非单独评估模型规模缩减。 作者报告，在法语到英语生物医学翻译实验中，相对于原始基线，联合蒸馏与量化的学生模型大小减少69%，推理速度提高98.21%，CO2排放减少98.46%，且未牺牲翻译质量。摘要未说明基线模型身份、数据集、训练与测试划分、翻译质量指标、硬件、推理负载及排放核算方式，因此这些结果仅能作为该实验条件下的作者报告，尚不能确认其可复现性或泛化范围。蒸馏目标、量化配置、微调策略差异、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若EEG任务已有可靠教师模型，可假设蒸馏与量化有助于压缩部署端解码器；但本研究依赖文本平行语料与翻译监督，不能直接证明BCI收益。可复用的是教师—学生压缩流程，需改造输入表示、任务目标和校准数据。EEG低信噪比、跨被试及通道差异、小样本条件可能使教师误差传递或量化损失加剧。一个可检验的小实验是在固定Cross-subject划分与相同部署硬件下，对比原模型、仅蒸馏、仅量化和联合压缩，测量同一任务指标、模型大小、延迟及能耗。已有EEG相关工作尚未检索确认。

10月4日周日
  1. arXiv · 时序与音频基础模型75

    Pythia：迈向多模态时间序列基础世界模型

    基于摘要分析。Pythia 针对异构时间序列中可复用多模态预测表示不足的问题，通过 joint-embedding predictive architecture 学习由上下文条件化的潜在动态，并将世界模型预训练与观测空间中的概率预测分离。 核心机制是使用 stop-gradient 数值参考，引导上下文信息对预测未来状态进行修正；随后由独立概率解码器结合冻结的预测表示与观测历史完成预测。该设计将潜在动态表示的学习与概率输出适配解耦。摘要未提供具体损失形式、上下文编码方式、预训练数据构成或模型规模，这些细节尚未验证。 作者报告，在 MUSE 上，Pythia-Tiny 的归一化 mean absolute scaled error（MASE）为 0.6879，weighted sum quantile loss（WSQL）为 0.4269，相对于已发布 MUSE 排行榜中被评估的最强模型，误差分别降低 6.26% 和 5.00%。这些是相对降幅，不是百分点变化；摘要未说明对照模型名称、数据划分及指标聚合方式，不能据此推断其他协议下的优势。作者还报告，受控实验支持将预测表示学习与概率读出分离，并显示实体描述、事件和协变量具有互补贡献。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其上下文条件化动态表示可能用于探索 EEG 信号与任务描述、事件标记及协变量的联合建模，但原领域结果不等于 BCI 有效。可复用思路是潜在动态预测和独立读出；需要改造 EEG 输入表示、通道组织及事件时间对齐。低信噪比、跨被试差异、通道不一致和小数据规模可能削弱上下文收益。一个可证伪的小实验是在固定 Cross-subject 划分下，对比仅数值输入、加入真实事件上下文及打乱上下文的未来 EEG 预测误差，检验收益是否确实来自上下文。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其将多模态潜在动态预训练与概率预测解耦的机制，以及文本、事件和协变量的受控对照；摘要报告了 MUSE 上的误差改善，但具体评估协议与统计可靠性尚未验证。

  2. arXiv · EEG 与神经表征79

    SPERA：采用几何与频率感知潜空间预测的球面先验 EEG 基础模型

    基于摘要分析。SPERA 针对被试、设备及电极布局异质性带来的通用 EEG 建模难题，采用 joint-embedding predictive architecture（JEPA）进行潜空间预测，并结合电极几何先验与频谱关系约束，构建 EEG 基础模型。其出发点是：观测信号同时包含神经与非神经成分，直接重建信号的训练目标未必最适合学习通用表征；这一动机不等于模型已被证明能够分离两类成分。 机制上，SPERA 将 Legendre-polynomial 空间先验融入注意力，以编码不同头皮电极几何；采用分解式时间与空间注意力，并穿插周期性全注意力块；通过 relational spectral regularizer，使潜空间相似性结构与频谱视图对齐。这些设计分别面向电极布局变化、时空交互建模和频谱结构约束。摘要未提供潜空间预测目标、频谱视图构造、正则项公式及各组件训练细节，其具体实现尚未验证。 作者报告，模型在来自 106 个数据集、29,048 名被试的约 80,000 小时 EEG 上进行预训练，并在覆盖临床、认知和 BCI 应用的九项下游任务中取得最高平均 Balanced Accuracy。该结论限定于作者采用的任务集合与比较范围；摘要未列出具体任务、对照模型、分数、汇总方式，以及被试内、跨被试、跨会话或跨数据集划分，不能据此判断各类泛化能力。作者还报告在线性探测下具有较强参数效率，并对不同记录条件表现出稳健性，但参数规模、冻结与训练设置及稳健性测试条件尚未验证。 复现与阅读重点是核对预训练和下游数据的划分关系、电极坐标及缺失通道处理、频谱约束的实现，以及几何先验、分解式注意力和频谱正则各自的贡献。实验协议、消融及统计信息尚未验证；代码、权重和数据可获取性也无法由摘要确认。

    阅读价值：值得核对 SPERA 如何将电极几何先验与频谱关系约束引入潜空间预测，以及作者报告的下游表现是否在不同电极布局和评估协议下保持稳定。

  3. arXiv · 学习目标与优化75

    PWM：通过在线强化学习实现个性化世界模型

    基于摘要分析。该研究针对预训练世界模型难以根据用户短视频定制特定场景、同时保持动作条件生成质量的问题，提出 Personalized World Models（PWM），通过在线强化学习学习场景专属适配器，并引入 PWM-Bench 评估场景定制效果。 机制上，支持轨迹及其对应控制信号为当前策略采样的续接提供奖励反馈。GRPO 实现使用场景外观、视觉连续性与运动的统一奖励，更新紧凑的 LoRA 适配器；Yume-5B 主干保持冻结，并以基础策略锚定约束对预训练生成先验的偏离。作者还采用 DiffusionNFT 作为另一种奖励引导优化方法，学习同类场景专属适配器。摘要未给出奖励计算、锚定形式、在线采样预算及适配器配置，尚不能判断各部分的独立贡献。 PWM-Bench 包含 Indoor、Outdoor、Gaming 三个领域的 150 个定制任务，采用留出续接上的配对评估。作者报告，相对于原生 Yume，GRPO 与 DiffusionNFT 实现分别在所评估场景的 71.3% 和 65.3% 上改善定制效果，且三个领域的平均增益均为正；这些比例是改善场景的占比，不是 Accuracy 或增益百分点。作者报告，在匹配的 SFT 对照中，GRPO 实现在每个领域都获得更高的平均定制增益及更好的平均图像质量评分，同时帧级视觉质量接近预训练模型。具体评分定义、任务划分、SFT 匹配条件、消融及统计信息尚未验证。 平台推测（待验证）：其“轻量适配与先验保持”的思路可能启发 EEG 个性化，但这仅是假设。原方法依赖视频支持轨迹、控制信号及视觉奖励，不能直接视为 EEG/BCI 证据；摘要也不足以建立可直接复用的 EEG 奖励与生成机制。跨领域迁移需另行评估低信噪比、被试差异及小数据条件下的适配稳定性，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其通过奖励引导的 LoRA 适配与基础策略锚定平衡场景个性化和生成质量的机制，以及在留出续接上的配对评估和匹配 SFT 对照；具体奖励设计与实验协议仍需全文核对。

  4. arXiv · 表征与预训练75

    KALEIDO：通过门控折叠几何实现视觉模型用于时间序列预测的输入空间适配

    基于摘要分析。KALEIDO 研究如何将 ImageNet 预训练的 masked autoencoder 用于时间序列预测，核心贡献是将序列渲染的折叠几何作为可控制、可混合的适配维度，以缩小时间序列图像与自然图像之间的差异。 方法先检测主导周期，按规则生成一组折叠几何，将序列渲染成图像并通过图像补全获得预测；随后使用仅在验证集上拟合的逐位置凸组合门控融合各几何的补全结果，再以一个固定融合比例与零样本基线输出结合。作者称，除基线已公布的设置外，不引入逐数据集超参数。这里的验证集门控拟合应与基线的零样本属性区分，完整的数据划分、验证信息使用方式及推理流程尚未验证。 作者报告，在 LTSF 上，仅训练 LayerNorm、所训练参数占比为 0.05% 时，相对已公布的零样本基线，MSE 降低 13%；冻结模型时，MSE 降低 6.6%。在 GIFT-Eval 上，作者报告相对基线的 MASE 改善 7.4%、CRPS 改善 19.3%，但摘要未明确这两项结果对应冻结模型还是 LayerNorm 适配。具体预测长度、任务聚合方式、门控拟合规模、消融及统计信息尚未验证，不宜跨协议直接比较这些结果。 平台推测（待验证）：该机制可能用于具有周期结构的 EEG 时间序列预测，但不能据此推断 BCI 解码收益。可复用部分是周期检测、多几何渲染和门控融合；需改造的是多通道组织、幅值归一化及预测任务接口。低信噪比、非平稳周期、跨被试差异及小验证集可能使周期估计或门控不稳定。可检验的小实验是在同一 EEG 预测任务与严格分离的数据划分下，对比单一几何、多几何均匀融合及验证集门控，检查收益是否在跨会话测试中保持。已有相关 EEG 工作尚未检索确认。

    阅读价值：值得核对其周期感知折叠几何与验证集门控如何改善视觉模型的时序预测，尤其是冻结模型的收益及验证集适配与零样本评估的协议边界。

  5. arXiv · 表征与预训练78

    SepRQ：通过无掩码、多尺度声源分离进行自监督语音混合表征学习

    SepRQ 针对主流自监督语音表征模型主要面向单说话人、难以适应多说话人场景的问题，提出以冻结随机投影码本上的伪声源分离目标替代掩码预测，并采用无掩码、多分辨率学习方式。以下基于摘要分析，未取得论文全文。 机制上，研究将预训练任务从掩码内容预测转向混合语音中的声源区分。摘要明确提及冻结随机投影码本，但未说明伪声源目标的构造、码本配置、多分辨率实现、损失形式及训练数据规模，这些细节尚未验证。作者将 SepRQ 描述为开源框架；当前材料未提供可核对的代码入口、权重或复现配置。 作者报告，在 SUPERB 的 Speaker Diarization 与 Speech Separation 任务上，SepRQ 在 Base 和 Large 两种规模下超过 WavLM 及其他面向多说话人混合场景的自监督方法，并声称达到当前最优表现；摘要同时报告推理参数量为 85.68M，但未明确其对应的具体配置。作者还报告模型在需要目标说话人注册音频的任务（如 Target-Speaker Automatic Speech Recognition）、多域 DIHARD 3 说话人日志任务，以及 WSJ0-3Mix 三说话人混合分离上表现较强。摘要未给出这些任务的具体分数；训练与评估划分、基线配置、消融及统计信息尚未验证，不能据此量化优势或跨协议比较。 平台推测（待验证）：迁移假设是，面向混合信号的分离式自监督目标可能帮助 EEG 表征区分叠加成分，但语音中的说话人结构并不等同于 EEG 中的神经活动与伪迹。可考虑复用随机投影码本与多尺度目标设计，需改造信号编码、通道处理和伪源生成；其有效性依赖可辨识的混合结构及足够训练数据，低信噪比、跨被试差异、通道变化和小数据均可能使目标偏向伪迹。一个可检验的小实验是在相同 EEG 数据、编码器和训练预算下，对比掩码建模与伪源分离目标，并在固定 Cross-subject 划分下测试表征对人工叠加伪迹的鲁棒性。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对 SepRQ 如何通过冻结随机投影码本上的伪声源分离目标学习多说话人表征，以及其相对 WavLM 的收益能否在一致评估协议下复现；对 EEG 的迁移价值尚未验证。

10月3日周六
  1. arXiv · 表征与预训练76

    通过表征多样性与多分支架构扩展无线基础模型

    基于摘要分析。该研究关注预训练数据有限时，扩大无线基础模型容量未必稳定改善下游表现的问题，提出将自监督目标多样性作为另一条扩展路径：通过组合重建、预测与对比学习所强调的不同信号属性，支持多种下游任务。 方法包含两个阶段：首先融合由不同目标独立训练的编码器所产生的冻结表征，以检验目标互补性的收益，但这需要维护多个编码器；随后设计联合训练的多分支架构，以共享主干和目标专属分支，在标准单目标编码器的参数预算内保留多目标收益。摘要未给出具体损失、融合方式、分支结构及训练配比。 作者在包含 spectrogram 与 channel state information 的异构语料上预训练，并评估覆盖通信、感知和定位的六项下游任务。作者报告，在输出嵌入维度相同的条件下，融合方法在全部六项任务上优于所评估的单目标编码器，参数量约为其三分之一；这一参数比例的统计口径需查阅全文核对。作者报告，多分支架构在单编码器参数预算内保留了大部分融合收益。表征分析显示不同目标具有互补贡献，新增收益中相当一部分保留于与重建表征子空间正交的成分。具体数据集、划分、指标、对照配置、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移假设是，重建、预测与对比目标可能分别保留 EEG 中不同的时频和判别信息，为有限数据下单一预训练目标的信息偏向提供补充。可复用的是共享主干、目标专属分支及表征互补性分析；需改造的是 EEG 输入表征、预测任务和对比样本构造，并确认所用无标签数据规模足以支撑联合训练。低信噪比可能使重建目标保留伪迹，跨被试及通道差异可能引入非任务信息，小数据下也可能出现目标冲突。可检验的小实验是在固定 EEG 数据划分、参数预算、嵌入维度及下游评估协议下，比较单目标编码器与多目标多分支模型，并检验增益是否伴随互补表征，而非仅来自训练投入变化。已有 EEG 相关工作尚未检索确认。

    阅读价值：该研究通过冻结表征融合与共享主干多分支架构两条路径检验自监督目标多样性的价值，值得核对其参数统计、任务评估与表征互补性分析，但迁移至 EEG 的收益尚未验证。

  2. arXiv · 架构与算子75

    ExpertMuon-Compass：用于混合专家训练的对齐引导步长

    基于摘要分析。该研究针对混合专家（MoE）语言模型中各专家接收的数据不同且随训练变化、共享学习率难以反映专家更新质量的问题，提出 ExpertMuon-Compass（Compass）：保留 Muon 的更新方向与动量缓冲，通过两个对齐因子调整每个专家的更新步长。 核心机制是将专家的 Muon 步乘以两个因子：family factor 比较该专家正交化更新与当前梯度的余弦相似度和同层其他专家的对应相似度；scalar radius 将更新与梯度对应行之间的对齐信息聚合为一个步长乘数。方法主要改变更新幅度，而非更新方向。作者还报告证明了两个因子的扰动界，但具体假设、界的形式及适用范围尚未验证。 作者报告，在 FineWeb-Edu 预训练中，对所有矩阵使用 Nesterov 动量的 Compass 表现不逊于或优于 Muon、NorMuon 及其他优化器；较长训练运行中的权重衰减与 NorMuon 匹配。将这些因子加入 NorMuon 后，作者报告损失相同或更低。摘要未提供模型规模、训练预算、具体损失数值与数据划分，不能据此量化收益。作者报告，当专家所见数据在训练过程中变化时效果最明显，例如多语言语料按语言分块到达的设置；同时专家负载保持均衡，路由器的 token 分配更为明确。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 模型采用 MoE，且不同专家因被试、会话或任务路由而接收非平稳数据，对齐引导步长可能对应专家间更新可靠性不一致的瓶颈。可复用步长缩放机制，但需适配专家矩阵及路由方式；该机制依赖可计算的专家梯度、正交化更新及同层专家比较，不能直接推广到没有专家结构的模型。低信噪比、小数据和稀疏路由可能使对齐估计不稳定，通道差异也可能改变专家分工。一个可检验的小实验是在固定 EEG MoE、Cross-subject 划分与训练预算下，对照 Muon 和 Compass，比较预先指定的任务指标、专家负载与对齐因子稳定性，并分别移除两个因子。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其基于更新—梯度对齐调整专家步长的机制，以及与 Muon、NorMuon 在权重衰减匹配条件下的比较；摘要报告的收益尚需结合完整训练协议与消融验证。

  3. arXiv · 神经解码与侵入式接口81

    用于超导处理器上表面码存储与逻辑操作的模块化神经网络解码器

    基于摘要分析。研究针对量子纠错解码器难以跨设备、噪声条件与逻辑操作迁移的问题，提出模块化图循环解码器。其核心是复用局部 syndrome（纠错综合征）编码器，先在模拟中预训练，再通过统一流程对硬件数据微调；不同实验之间仅调整轻量级空间聚合模块。 在常规表面码存储基准上，作者报告：该方法在 IBM Nighthawk 代处理器上、码距为 3 和 5 的实验中优于 minimum-weight perfect matching（MWPM）；在 Google 的阈值以下硬件数据上，表现接近 AlphaQubit。摘要未提供具体指标、误差范围或数据划分，不能据此量化优势，也不能直接比较不同硬件上的结果。 作者进一步在同一 IBM 设备上测试两类非存储解码任务。其一是 X 型稳定性实验：通过可变的读出前旋转连续调节有效测量错误率，并以覆盖该噪声范围的数据联合训练单个解码器。作者报告，该模型在整个扫描范围内达到或优于 MWPM，无须为每个噪声设置单独校准解码器。其二是两个码距为 3 的表面码块之间的 ZZ 合并晶格手术实验；作者报告，相比 MWPM，该方法提高了真实硬件上解码所得合并结果与最终 ZZ 奇偶性的相关性。 阅读重点是局部编码模块的复用边界、空间聚合的适配成本，以及模拟预训练到硬件微调的具体流程。作者称模型可在学术研究常见的单 GPU 资源上训练，但训练时间、显存需求、推理延迟、实验协议、消融及统计信息尚未验证。 本研究对象是超导量子处理器的量子纠错，而非脑信号或侵入式接口；来源栏目不能作为 BCI 相关性的证据。其在 EEG/BCI 中的适用性尚未验证，相关工作尚未检索确认。

    阅读价值：值得核对其可复用局部编码器与联合噪声训练如何支撑跨硬件、跨逻辑操作的解码迁移，但材料中的 neural decoding 指量子纠错解码，不能视为 EEG/BCI 神经信号解码证据。

  4. arXiv · 表征与预训练80

    ZeroMAG：面向即插即用 EEG 基础模型的零样本多模态适配器生成

    基于摘要分析。ZeroMAG 研究如何在保留 EEG 基础模型预训练知识的同时，利用伴随生理信号扩展到异构多模态记录。其核心贡献是从无标签目标记录推断并生成适配器，在冻结 EEG 编码器与预测头的条件下实现多模态扩展，不使用目标标签，也不进行目标端优化。 机制上，ZeroMAG 以不随模态配置变化的适配器组织伴随模态，从无标签记录及任务上下文构建“模态—被试—任务”条件，并在由源适配器学习得到、受功能约束的潜在空间中生成适配器权重。这一路径区别于直接回归权重：生成过程不仅依赖权重表征，还通过功能监督约束表征学习与条件生成。具体适配器结构、条件编码方式、功能监督定义及损失形式尚未验证。 作者报告，在六个留出的目标数据集和三个 EEG 基础模型骨干上，ZeroMAG 的 Balanced Accuracy 相比仅使用 EEG 的推理平均提高 7.22 个百分点，相比直接权重回归提高 4.89 个百分点，与有监督多模态适配的平均差距在 0.50 个百分点以内。作者明确说明，目标数据集未参与 ZeroMAG 流程中的任何模型训练与选择；摘要未给出具体数据集、任务、伴随模态、被试数量及被试内或跨被试等划分协议，因此这些平均结果不能直接外推至特定 BCI 场景。 作者报告，移除表征学习或条件生成任一阶段的功能监督都会降低生成适配器的表现，支持两个组件的贡献。复现时需核对源适配器的训练与监督来源、任务上下文的可用信息、无标签目标记录的使用范围，以及有监督多模态对照的协议。实验协议、消融及统计信息尚未验证；对低信噪比、不同通道配置和伴随模态变化的稳健性也尚未验证。

    阅读价值：值得核对其利用无标签目标记录生成多模态适配器的机制，以及目标数据集隔离与功能监督的实现；作者报告的结果为冻结 EEG 基础模型的零样本多模态扩展提供了具体评估依据。

10月2日周五
  1. arXiv · 表征与预训练76

    少测量，多获知：自监督测试时特征采集

    基于摘要分析。本文研究多模态、高维系统在测试时如何避免昂贵且冗余的全量测量，并在下游任务或预测目标未知的情况下，顺序选择有信息量的模态。作者提出任务无关的自监督模态采集原则 ECHO-k，以深度模型的内部预训练表征作为代理目标，用于概括跨模态信息并指导采集。 核心机制是以表征目标替代特定下游任务的监督信号。作者在简化的线性设定下提供理论保证，并据此构建用于顺序模态选择的强化学习（RL）策略。摘要未说明代理目标的具体构造、优化损失、策略状态与奖励，以及采集成本如何计入预算，相关实现细节尚未验证。 作者报告，在与任务无关、无标签的采集基线比较时，ECHO-k 在多种基础模型后端上持续改善预算约束下的下游性能。摘要未提供数据集、预算定义、评估划分、指标或改善幅度，不能据此量化收益或比较不同协议；实验协议、消融及统计信息尚未验证。线性设定下的理论保证也不能直接视为复杂非线性多模态场景的保证。 平台推测（待验证）：该机制可能用于 EEG 与其他模态联合测量时的成本控制，或经改造后用于 EEG 通道组选择。迁移假设依赖预训练表征能够保留下游所需信息，以及模型能够处理部分观测；可复用代理表征目标和顺序采集策略，但需改造观测接口、采集动作与成本定义。EEG 的低信噪比、跨被试差异、通道相关性及小数据可能导致策略追逐不稳定表征，或忽略任务关键但表征不敏感的信息。一个可检验的小实验是固定预训练编码器，在相同采集预算与跨被试划分下，比较代理表征驱动的通道组选择与随机、固定通道组选择，并仅在最终评估阶段使用下游标签；该实验属于迁移验证建议，并非原文结果。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其以预训练内部表征作为代理目标、在下游任务未知时学习预算约束下模态采集策略的机制，但其在 EEG/BCI 中的有效性尚未验证。