跳到正文
#论文/研究
1月1日周一
  1. OpenReview · State space models78

    VMamba：视觉状态空间模型

    基于摘要分析。本文研究如何构建计算高效的视觉网络，将状态空间语言模型 Mamba 迁移为具有线性时间复杂度的视觉骨干 VMamba，核心贡献是通过 2D Selective Scan（SS2D）适配二维视觉数据的结构。 机制上，VMamba 由 Visual State-Space（VSS）块堆叠构成，其中 SS2D 沿四条扫描路径遍历，以连接一维选择性扫描的有序处理方式与二维视觉数据的非序列结构，从不同方向汇集上下文信息。作者据此构建了一组 VMamba 架构，并通过架构与实现层面的改进加速。摘要未展开具体扫描顺序、状态更新形式、训练目标或加速实现，相关细节尚未验证。 作者报告，VMamba 在多种视觉感知任务中展现出良好性能，相较既有基准模型具有输入规模扩展效率优势。摘要未提供任务名称、数据集、数据划分、对照模型、数值指标及复杂度测量条件，因此不能据此量化性能提升，或将线性复杂度直接等同于实际运行速度优势。实验协议、消融及统计信息尚未验证。材料提供了公开代码仓库，复现仍需核对具体配置、训练预算与软硬件环境。 平台推测（待验证）：若 EEG 被表示为通道×时间或时频二维结构，SS2D 的多方向上下文聚合可能用于建模长程依赖；这一假设依赖二维排列能够保留有意义的通道或时频关系，视觉领域结果不等于 EEG/BCI 效果。可考察复用 VSS 与扫描机制，但需改造输入编码、通道排列和任务输出。低信噪比、不规则电极布局、跨被试差异及小数据训练可能削弱收益，预训练与监督规模要求也尚未验证。一个可检验的小实验是在固定 EEG 数据划分、训练预算和相近模型容量下，对照多方向 SS2D 与单方向扫描，并扰动通道排列，观察任务指标及计算成本是否稳定改善。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其以四条扫描路径将一维选择性扫描适配到二维视觉数据的机制，并核对输入规模扩展效率的对照实验；该机制对 EEG 的适用性尚未验证。

  2. OpenReview · EEG61

    利用条件身份信息的 EEG 解码

    基于摘要分析。该研究针对 EEG 高噪声、个体间差异及深度神经网络对未见被试解码困难的问题，将每个个体的条件身份信息引入神经网络，尝试通过 EEG 与个人特征的协同作用增强模型表征。 核心机制是为 EEG 解码提供额外的个体条件信息，而非仅依赖 EEG 信号本身。摘要未说明 conditional identification information 的具体内容、获取方式，以及它在网络中的编码和融合位置；网络结构、损失函数、训练与推理流程也尚未验证。因此，目前不能判断该方法如何为未见被试构造条件信息，也不能将其直接归类为域适应或测试时自适应。 作者报告，在 WithMe dataset 上加入这些标识信息后，训练集中被试及未见被试的解码准确率均有明显改善。摘要未提供具体数值、任务定义、被试数量、数据划分及对照基线；训练集中被试的评估不能据此认定为特定的被试内协议，未见被试评估的跨被试划分细节也需核对。实验协议、消融及统计信息尚未验证。 复现时应重点核对条件信息在实际推理场景中的可获得性、未见被试的条件构造方式，以及仅使用 EEG 与加入条件信息的模型是否在一致划分下比较。作者进一步认为该增强有助于 EEG 可解释性及理解相关身份特征，但摘要没有给出解释性分析证据，仍需全文确认。

  3. OpenReview · EEG73

    EEG2Video：面向从 EEG 信号解码动态视觉感知

    基于摘要分析。本研究针对既有视觉重建研究主要关注静态刺激的问题，构建动态视频观看过程中的 EEG-video 配对数据，并提出基于 Seq2Seq 的 EEG2Video 基线，探索从 EEG 信号重建动态视觉感知。 数据与任务：作者报告，数据集记录了 20 名被试观看 40 个概念类别、共 1400 个动态视频片段时的 EEG。摘要提及 EEG 的高时间分辨率（1000 Hz），但具体采集与预处理协议尚未验证。作者还为视频标注颜色、动态属性及是否包含人等元信息，以考察这些属性能否从 EEG 中解码；摘要未提供各属性的独立实验结果。 核心机制：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脑信号。其阅读价值在于将视觉解码从静态内容扩展到动态序列，但 EEG 编码方式、视频表示、时间对齐策略、损失函数及训练与推理流程均需全文核对，不能仅凭摘要判断模型是否实际利用了运动特异信息。 结果与证据边界：作者报告，模型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。摘要未说明候选构造、数据划分、被试内或跨被试协议、对照基线及 SSIM 的计算与汇总方式，因此这些数值不能直接与其他协议下的结果比较，也不足以确认跨被试泛化或运动重建质量。 复现条件：摘要称数据集与代码将于近期发布，现有材料不能确认已公开。实验协议、消融及统计信息尚未验证；复现时应核对视频与被试的训练测试划分、时序对齐，以及动态信息相对静态语义信息的贡献。

    阅读价值：值得阅读的具体原因是其构建 EEG-video 配对数据并以 Seq2Seq 探索动态视觉重建，可用于研究 EEG 时间信息与视频运动的对应关系，但评估划分及动态信息解码的独立贡献尚未验证。

  4. OpenReview · State space models77

    STREAM：面向稀疏几何数据的通用状态空间模型

    基于摘要分析。STREAM 面向点云、事件视觉等稀疏且非结构化的几何数据，将几何结构显式编码进状态空间模型的参数化，而不是仅依赖序列化预处理及模型自行推断几何关系。其核心贡献是利用坐标的相对差异控制状态空间模型的步长，并基于 Mamba selective state-space model 与修改后的 CUDA kernel 实现高效计算。 机制上，状态空间模型的线性动态由时间或空间坐标等一维变量驱动，STREAM 将相对坐标差注入这一动态变量对应的步长。作者称，由此形成的几何操作可在 O(N) 步中计算 N 个点之间的全点对交互；该表述不应直接等同于已验证的端到端运行时间或显存复杂度，具体交互定义、点的遍历顺序与实现条件尚需正文核对。 作者报告，在从头训练的 ModelNet40 和 ScanObjectNN 点云分析任务中，STREAM 改善了 PointMamba 基线表现，但摘要未提供具体指标数值。作者还报告，在 DVS128 Gestures 数据集全部 11 个类别的测试中取得 100% Accuracy，并声称这是首次达到该结果；测试划分、预处理、重复实验及统计信息尚未验证。摘要另称模型在事件视觉和音频分类等基准上具有竞争力，具体对照与实验协议尚未验证。 平台推测（待验证）：假设相对坐标驱动的状态更新能保留不规则采样结构，它可能对应 EEG 中不规则时间采样或稀疏电极空间建模的问题。可考虑复用状态更新机制，但需改造 EEG 信号的点表示、时空坐标及遍历方式；低信噪比、跨被试差异、通道缺失与小数据训练都可能削弱该归纳偏置。一个可检验的小实验是在固定 EEG 数据划分和相同输入表示下，比较相对坐标步长与固定步长，并测试通道缺失时的性能变化。此为迁移假设，不是已证实的 BCI 收益；相关 EEG 工作尚未检索确认。复现还需核对完整模型配置、CUDA kernel、训练条件及代码可用性。

    阅读价值：值得核对 STREAM 将相对坐标差注入状态空间步长的机制及其修改后的 CUDA 实现，以评估稀疏几何归纳偏置的收益；摘要中的全点对交互与测试准确率仍需结合完整实验协议验证。

  5. OpenReview · EEG59

    EEG Emotion Copilot：通过剪枝 LLM 实现情绪 EEG 解读与辅助病历生成

    基于摘要分析。该研究面向 EEG 情绪识别与用户交互难以端到端整合的问题，提出 EEG Emotion Copilot：在本地运行具有 0.5B 参数的轻量化 LLM，从 EEG 信号识别情绪状态，再生成个性化诊断与治疗建议，并辅助生成电子病历。上述医疗输出属于作者提出的系统功能，摘要并未提供足以确认其临床有效性或安全性的证据。 技术上，作者将 prompt 数据结构、模型剪枝、微调训练及部署策略作为关键环节，目标是改善实时性能与计算效率。摘要尚未说明 EEG 如何编码并输入 LLM、情绪识别与文本生成如何衔接，也未明确剪枝粒度、训练目标、监督来源及个体适应机制，因此不能据此判断模型是否直接处理原始 EEG，或其轻量化收益主要来自哪一模块。 作者报告，该系统相较参数规模相近的模型，以及 1.5B、1.8B、3B 和 7B 参数模型，在交互直观性、情绪识别准确性及辅助电子病历生成方面表现更优。不过摘要未给出数据集、被试数、被试内或跨被试划分、对照模型名称、指标定义与具体分数，相关结论目前仅能作为作者报告，不能量化性能提升，也不能将情绪识别结果等同于精神健康诊断能力。 复现时需核对 EEG 预处理与输入表示、数据划分、剪枝前后性能、部署硬件与端到端时延，以及病历生成的评价标准和医疗建议的事实可靠性。实验协议、消融及统计信息尚未验证。作者表示代码将发布，当前材料不足以确认代码已经公开或具备完整复现条件。

  6. OpenReview · EEG72

    面向运动想象 BCI 的快速多变量经验模态分解 EEG 节律分离与时频分析

    基于摘要分析。研究针对多变量经验模态分解（MEMD）及其噪声辅助版本（NA-MEMD）处理多通道运动想象 EEG 时的噪声鲁棒性与计算复杂度问题，考察快速多变量经验模态分解（FMEMD）及其噪声辅助版本（NA-FMEMD）的时频分析能力，并提出基于 FMEMD 的分类架构。 核心机制是利用 FMEMD 分解 EEG，再通过联合平均频率度量（joint average frequency measure）自动选择对应特定频带的固有模态函数（intrinsic mode functions），用于节律分离与后续分类。摘要未提供 FMEMD 的具体加速机制、频带设置、特征构造或分类器细节，NA-FMEMD 的噪声辅助配置也尚未验证。 作者报告，与 MEMD 在仿真数据和真实 EEG 上的比较表明，FMEMD 能更准确地估计 EEG 频率信息，并改善分解的抗噪性与计算效率。在 BCI Competition IV 数据集上，以 FMEMD 替换 MEMD 作为预处理算法，作者报告分类 Accuracy 提高“2.3%”；摘要未明确该数值是相对增幅还是百分点变化，也未明确此项比较对应的子数据集、数据划分及被试内或跨被试协议。作者另报告，在 Physiobank Motor/Mental Imagery dataset 和 BCI Competition IV Dataset 2a 上，FMEMD 分类架构取得与复杂算法相当的表现，但摘要未列出具体对照算法与分数，不能据此进行跨协议排名。 复现重点是确认节律选择规则、MEMD 与 FMEMD 是否使用一致的后续分类流程，以及抗噪评估条件和运行时间的测量环境。被试数、训练测试划分、实验协议、消融及统计信息尚未验证。作者认为该方法适合从小型基准数据集提取特征并缓解计算复杂度带来的维度约束；其在跨被试、跨会话及在线 BCI 中的适用性仍需进一步核对，不能由摘要中的基准结果直接推定。

    阅读价值：值得核对 FMEMD 在多通道运动想象 EEG 中的频率估计、抗噪性与计算效率，以及自动节律选择能否在一致分类协议下带来可复现的收益。

  7. OpenReview · EEG74

    面向可穿戴 BCI 低功耗实时 EEG 分类的优化 EEGNet 处理器

    基于摘要分析。该研究针对既有 EEGNet 处理器采用高精度定点数所带来的功耗和资源开销，提出低精度 EEGNet（LPEEGNet）处理器，通过算法量化与硬件架构协同优化，支持可穿戴 BCI 的低功耗实时 EEG 分类。 算法方面，作者通过低精度量化将 EEGNet 重构为 LPEEGNet；摘要未提供量化位宽、量化训练方式或各层精度配置。硬件方面，处理器采用数据驱动处理流程，以层融合构建异构流式架构，利用全局特征图存储改善访存效率，并结合层间并行与层内流水线提升推理效率。其可核对的技术重点是低精度计算、数据搬运与并行调度的联合设计，而不只是压缩模型。 作者报告，在 FPGA 实验中，相比摘要所称的最先进 EEGNet 处理器，该实现的功耗、LUT 利用量和推理延迟分别降低 52.6%、36.2% 和 25.8%；作者另报告，在一个 ERP 数据集上的 Accuracy 为 93.06%。摘要未明确数据集名称、被试数、被试内或跨被试评估协议、数据划分及对照处理器配置，因此这些结果只能在原文所述实验范围内理解，不能直接与其他协议下的分类结果比较。作者据此认为该处理器更适合可穿戴 BCI，但实际可穿戴系统中的收益仍需结合完整实验条件核对。 复现时需确认量化配置及精度变化、FPGA 型号与运行频率、功耗测量范围、延迟计量口径，以及对照实现是否采用可比的网络与硬件条件。实验协议、消融及统计信息尚未验证；摘要也不足以确认端到端在线 BCI 的实时性表现。

    阅读价值：该研究将 EEGNet 低精度量化与 FPGA 流式架构联合优化，值得核对其分类精度、功耗和延迟之间的权衡，尤其是量化配置与硬件对照条件。

  8. OpenReview · EEG64

    使用扩散模型进行情绪识别的 EEG 数据增强

    基于摘要分析。该研究针对 EEG 采集复杂、对被试及实验环境要求较高的问题，使用扩散模型生成 EEG 数据，并将生成数据用于情绪识别的数据增强。核心贡献是针对 EEG 生成优化扩散模型的采样阶段，同时考察生成数据数量对下游任务表现的影响。 技术机制：摘要明确说明改动集中于采样阶段，但未提供具体采样策略、生成对象的表示形式、模型结构、损失函数或训练条件。因此，尚不能判断其生成的是原始时序、特征还是其他 EEG 表示，也不能确认是否使用情绪标签进行条件生成。作者声称首次将扩散模型用于情绪识别，此优先性尚未检索确认；摘要关于扩散模型生成性能与训练稳定性的介绍，也不能直接视为本方法相对传统生成模型的已验证优势。 实验与结果：作者在 SEED、SEED-IV 和 DEAP 上进行实验，并报告该数据增强方法能够显著改善情绪识别。摘要没有给出具体指标、数值、对照基线或显著性检验信息，也未说明采用被试内、跨被试或其他划分协议，因此无法量化收益或比较不同数据集上的效果。生成数据数量的影响属于明确研究内容，但最优数量及其变化规律尚未验证。 复现与核对重点：需查阅全文确认采样优化的具体实现、生成数据与真实训练数据的混合方式、下游识别模型，以及数据划分和生成模型的训练范围。还应核对生成样本质量如何评估、性能收益是否随生成数量稳定变化，以及与其他增强方法的对照结果。实验协议、消融及统计信息尚未验证，代码与复现条件亦无法由当前摘要确认。

  9. OpenReview · State space models68

    PhysMamba：用于远程生理测量的状态空间对偶模型

    基于摘要分析。该研究针对从面部视频提取远程光电容积描记（rPPG）信号时的运动伪影、光照变化和噪声问题，提出 PhysMamba，以状态空间模型与注意力机制结合的双路径时频交互框架增强生理信号表征。 核心机制是 Synergistic State Space Duality（SSSD），结合 Multi-Scale Query（MQ）机制促进信息交换。作者声称这是首次在双分支框架中整合状态空间模型与注意力机制，该优先性尚未独立核实。摘要未说明时域与频域表征的构造方式、两类机制的具体耦合、MQ 的尺度定义，以及损失函数、训练和推理配置，不能据此还原实现。 作者报告，在 PURE、UBFC-rPPG 和 MMPD 数据集上的实验优于现有先进方法，并具有更好的准确性和泛化能力；摘要未提供具体指标、数值、数据划分或对照基线，因此尚不能判断改善幅度，也不能将“泛化”直接认定为 Cross-dataset 结果。噪声与动态条件下的评估协议、消融及统计信息尚未验证；实时远程患者照护属于作者提出的应用前景，而非已验证的临床效果。 平台推测（待验证）：其时频交互机制可能为 EEG 中非平稳节律与局部瞬态的联合建模提供思路，但 rPPG 依赖面部视频中的光学脉搏信息，不等同于 EEG 或 BCI。迁移时可考察 SSSD 与 MQ 模块，需改造视频特征入口、EEG 通道组织和任务监督；低信噪比、跨被试差异、通道变化及小数据条件可能使收益消失。可在固定 Cross-subject EEG 划分下，对相同输入与训练配置比较纯状态空间基线和加入时频交互的模型，并核对参数量、计算开销及任务指标。已有 EEG 相关工作尚未检索确认。

  10. OpenReview · State space models74

    Mamba-CL：在零空间中优化选择性状态空间模型以实现持续学习

    基于摘要分析。该研究面向持续学习中的灾难性遗忘，提出 Mamba-CL，通过在历史任务特征子空间的正交方向更新参数，持续微调大规模 Mamba 基础模型的核心 SSM，力求保留既有知识并学习新任务。 核心机制是将参数更新限制在历史特征子空间对应的零空间内。作者围绕 Mamba 的四个关键时不变参数推导整体一致性约束，处理 SSM 的递归状态空间结构与非线性离散化过程，再以零空间投影实现正交更新。作者声称，该方法在理论上保证各 SSM 模块在先前与当前任务上的输出一致性目标；具体保证的假设、约束范围，以及模块级一致性如何对应最终任务性能，需结合全文核对。 作者报告，在四个类别增量学习基准上，Mamba-CL 展现出抗遗忘效果，性能优于所比较的先进方法。摘要未提供基准名称、任务序列、数据划分、指标或具体数值，因此无法判断提升幅度及不同协议下的可比性。实验协议、消融及统计信息尚未验证。摘要称代码位于补充材料中，但其可获取性、运行配置与复现要求尚未核对。 平台推测（待验证）：该机制可能对应 EEG 持续学习中新增类别或连续会话更新引起的遗忘，但依赖历史特征子空间能稳定表征需保留的知识。可复用的是零空间投影与参数一致性约束；需改造的是 EEG 时序输入、通道适配和特征子空间估计。低信噪比、跨被试差异、通道变化及小样本可能使子空间估计不稳定，或过度限制更新、妨碍新任务学习。一个可检验的假设是：在固定 EEG 类别增量协议下，使用相同 Mamba 骨干与数据划分，对照普通顺序微调和零空间约束更新，检验历史类别 Accuracy 的保留是否以新类别学习能力下降为代价。上述迁移不属于本文已验证结果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其针对 Mamba 核心 SSM 参数推导的一致性约束与零空间投影实现，尤其是理论保证的适用条件及抗遗忘与新任务学习能力之间的权衡。

  11. OpenReview · State space models78

    MambaByte：无 token 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无 token 语言建模，旨在避免子词分词的归纳偏置，同时缓解字节序列更长带来的计算与内存压力。其核心贡献是将 Mamba 状态空间模型（SSM）用于字节序列的自回归训练，并提出结合 tokenized drafting 与 byte-level verification 的推测解码适配方案。 机制上，摘要将标准自回归 Transformer 随序列长度增长的内存需求，与 Mamba 的固定大小记忆状态及高效解码进行对照。MambaByte 的建模单位是字节，而非子词；推测解码则用 token 化序列生成草稿，再在字节层面验证。具体状态更新、选择性机制、训练损失及草稿验证流程尚未验证。 作者报告，MambaByte 在语言建模任务上可与先进的子词 Transformer 竞争，部分表现更优，并保留无 token 模型的噪声鲁棒性优势。作者还报告，其推测解码适配方案相较标准 MambaByte 实现获得 2.6 倍推理加速，解码效率与子词 Mamba 相近。摘要未提供对应数据集、模型规模、任务指标、硬件、生成长度及对照配置，因此这些结果只能在作者所述比较范围内理解，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其固定大小状态机制可能对应 EEG 长时序处理中随窗口长度增长的资源瓶颈，但字节语言建模依赖离散序列与自回归监督，不能直接等同于连续、多通道 EEG 建模。可考察 SSM 主干的复用，输入编码与训练目标需改造；tokenized drafting 的优势是否成立则取决于 EEG 是否存在合适的离散草稿表示。低信噪比、跨被试分布差异、通道变化及小数据可能削弱效果。一个可检验的小实验是在固定数据划分和参数预算下，比较 SSM 与 Transformer 在不同 EEG 窗口长度上的任务指标、峰值内存及推理延迟。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：值得阅读其以固定大小状态处理长字节序列的机制，以及结合 tokenized drafting 与 byte-level verification 的推测解码方案；摘要中的语言建模与效率结论仍需结合完整实验协议核对。

  12. OpenReview · EEG66

    使用 EEGNet 和 Siamese Network 在多任务 EEG 数据库中进行个人身份识别与认证

    基于摘要分析。该研究面向 EEG 生物特征识别，分别采用 EEGNet 进行个人身份识别、采用结合 EEGNet 与 Siamese Network 的 SiamEEGNet 进行身份认证，并建立多任务 EEG 数据库用于评估。身份识别旨在判定个体身份，身份认证则通过两段 EEG 的特征距离或相似度判断身份是否匹配。 机制方面，身份识别模块直接输入预处理后的 EEG，将信号映射到嵌入空间以提取身份特征，并通过分类模块完成识别。SiamEEGNet 包含两个参数相同的 EEGNet 子网络，移除 EEGNet 的分类模块，加入距离度量层比较两个子网络的输出。摘要未明确训练损失、配对采样策略、距离函数及认证阈值的确定方式，这些细节尚未验证。 数据库包含 24 名被试、五种心理任务；每名被试参加四次会话，每次会话包含 125 个试次，会话间隔从数天至数月。该采集设计提供了考察任务变化与时间变化下身份特征稳定性的条件，但摘要未交代训练与测试划分，不能据此认定结果属于 Cross-session 或跨任务评估。 作者报告，在该数据库的身份识别实验中，平均识别 Accuracy 为 99.84%，并描述 F1 较高，但未提供具体 F1 数值；在身份认证实验中，SiamEEGNet 的 False Rejection Rate（FRR）为 2.29%，False Acceptance Rate（FAR）为 4.75%。上述结果的具体划分、任务组合及阈值背景尚未验证，不能直接与其他协议下的结果比较。 复现与应用评估应重点核对 EEG 预处理、会话隔离、认证配对构建、阈值选择、对照基线及统计信息，数据和代码的可获得性也尚未验证。摘要以传统生物识别的活体检测风险作为研究动机，但所述识别与认证指标本身不能证明系统具备抗伪造或活体检测能力。

12月31日周日
  1. OpenReview · EEG72

    基于频域深度学习的 EEG 多伪迹去噪

    基于摘要分析。该研究针对 EEG 中神经活动与眼动、肌肉等生理伪迹混杂的问题，提出在频域运行的深度学习去噪模型，利用噪声频谱特征先验自适应计算用于噪声分离的卷积滤波器。 机制方面，模型通过训练学习噪声及含噪信号的频谱特征与去噪非线性变换之间的经验关系。其值得关注之处在于将噪声的频谱知识用于滤波器适配，而不是仅将去噪描述为固定映射。摘要未说明频域表示方式、先验的具体形式、滤波器生成过程、损失函数或推理时所需的噪声信息，这些实现条件尚未验证。 作者报告，在 EEGdenoiseNet 数据集的评估中，该方法按时间域和频谱指标衡量的表现达到或超过基准模型，并能去除肌肉与眼动伪迹，无需针对特定伪迹类型进行训练。摘要未提供具体指标名称、数值、对照模型、训练与测试划分，也未明确该结论对应何种伪迹类型留出或混合设置，因此不能将其直接解释为已验证的跨被试、跨会话或未知伪迹泛化。 复现时需核对噪声频谱先验的获取方式、训练和推理的信息需求，以及“无需针对特定伪迹类型训练”的操作定义。实验协议、消融及统计信息尚未验证。该研究直接涉及 EEG 去噪，但摘要未提供下游 BCI 解码或临床诊断评估，因而去噪指标上的改善是否保留任务相关神经信息、是否带来下游性能提升，仍需验证。

    阅读价值：值得核对其利用噪声频谱先验自适应计算卷积滤波器的机制，以及作者报告的无需针对特定伪迹类型训练即可去除眼动与肌肉伪迹的评估条件。

  2. OpenReview · Representation learning66

    通过字典学习与自表示进行数据表征学习

    基于摘要分析。该研究针对字典学习仅利用稀疏性、可能不足以刻画数据结构与增强判别性的问题，将字典学习与自表示结合，同时利用稀疏性和低秩表示（LRR）的低秩性，学习兼具两类结构约束的数据表征。 机制与贡献：方法试图使同类样本具有相似表征，并增强所学字典的判别能力。为有效求解，作者进一步引入更广义的数据表征模型，并声称首次通过数学分析推导其闭式解。摘要未给出目标函数、具体正则项、优化过程及闭式解成立条件，尚不能确认联合建模的具体形式或求解效率。 结果与证据边界：作者报告，实验表明该方法既可用于数据预处理，也可改善字典学习，使同类样本的表征更相似、所学字典更具判别性。摘要未提供数据集、划分协议、对照基线、指标或数值；实验协议、消融及统计信息尚未验证，不能据此量化收益或判断其跨数据集稳定性。 平台推测（待验证）：假设 EEG 特征中存在可由低秩结构刻画的共享成分，以及可由稀疏编码保留的判别成分，该机制可能用于缓解高维、低信噪比条件下的表征不稳定。可复用的是联合稀疏与低秩的表示思路，需改造的是 EEG 特征构造、通道对齐及跨被试结构处理；其对类别监督、样本规模和数据结构的依赖仍需核对。低秩约束也可能保留共享伪迹或压制少数类别信号，小数据及被试差异可能使字典不稳定。一个可证伪的小实验是：在固定的 EEG 被试内划分中，仅用训练集拟合预处理与表示模型，比较原始特征、单独字典学习、单独 LRR 与联合方法，并保持下游分类器和调参预算一致，检查 Accuracy 及类别间混淆是否改善。相关 EEG 工作尚未检索确认。

11月29日周三
  1. OpenReview · Representation learning74

    用于自监督表征学习的随机场数据增强

    基于摘要分析。该研究针对图像自监督表征学习中数据增强决定表征不变性、而增强方式仍有待探索的问题，提出基于高斯随机场的局部变换族，将传统仿射与颜色变换扩展为参数可随像素位置变化的增强。 核心机制是将变换参数视为空间坐标的连续函数，并用相互独立的高斯随机场建模。与平移、旋转、color jitter 等传统增强相比，该方法扩大了局部变换的可能范围；具体随机场构造、参数化方式、自监督目标及训练流程尚未验证。 作者报告，在 ImageNet 下游分类中，相对基线的 top-1 Accuracy 提升为原文所述的 1.7%；在分布外 iNaturalist 下游分类中，提升为原文所述的 3.6%。摘要未明确这些数值是相对百分比还是百分点，也未明确后一指标、基线方法、数据划分和评估协议，不能据此进行跨协议比较。作者同时报告，温和变换有助于表征学习，但较强变换可能破坏图像结构，且表征对超参数敏感。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移假设是以平滑随机参数场生成局部变化，帮助 EEG 自监督学习覆盖有限的时空扰动。原方法依赖图像空间坐标；迁移时需将参数场改造为时间轴或电极空间上的函数，并确认增强仍保留任务相关信号，而非直接照搬图像仿射与颜色变换。低信噪比、小数据、跨被试差异及不规则通道布局可能放大增强误差，破坏 ERP 时序或频谱线索。一个可证伪的小实验是在固定 Cross-subject 划分、自监督目标和下游评估协议下，对比无增强、常规增强与不同强度的随机场增强，检验温和增强能否稳定获益及强增强是否退化。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其高斯随机场如何控制局部增强的平滑性与强度，以及增强多样性带来收益和破坏图像结构之间的边界；其对 EEG 自监督学习的迁移价值尚未验证。

10月28日周六
  1. OpenReview · Representation learning65

    ReConTab：用于表格数据的正则化对比表示学习

    基于摘要分析。ReConTab 针对表格数据特征工程与特征选择依赖人工的问题，提出结合正则化和对比学习的自动表示学习框架，将原始特征转化为低维嵌入，供下游任务使用。 机制上，框架以原始输入特征构建非对称自编码器，通过正则化进行原始特征选择，并利用对比学习提炼与下游任务相关的信息。作者将其描述为不依赖特定建模任务的框架，但摘要未说明正则化形式、对比样本构造、监督信号、损失组合及预训练流程，因此尚不能判断其任务无关性如何实现，也不能确定它是否属于自监督学习。 作者报告，在多个真实世界数据集上获得显著且稳健的性能改善，预训练嵌入也可作为特征接入 XGBoost 和 Random Forest。摘要未提供数据集名称、划分协议、具体基线或指标数值；改善幅度、实验协议、消融及统计信息尚未验证，不能据此作定量比较。 平台推测（待验证）：该机制可能适用于由 EEG 提取的表格特征，例如频带功率或统计特征，以缓解特征冗余及人工筛选负担，而非直接处理原始 EEG 时序。可复用部分是特征选择与低维嵌入流程；需针对 EEG 改造特征归一化和对比样本构造，并核对其监督与数据规模要求。低信噪比、被试差异、通道变化及小样本可能使表示保留身份或采集条件信息，而非任务信息。一个可检验的小实验是在固定的 Cross-subject 划分下，仅用训练被试拟合特征处理和表示学习流程，比较原始特征、常规降维特征及 ReConTab 嵌入接入同一分类器的表现。该实验属于迁移假设，不是论文已验证结果；已有 EEG 相关工作尚未检索确认。

  2. OpenReview · Representation learning73

    自监督跨表表征学习的规模扩展实验

    基于摘要分析。该研究关注深度表格表征学习的规模扩展潜力，提出面向单表与跨表学习的 Transformer 架构，并通过自监督掩码单元格恢复进行预训练，考察模型规模与预训练设置对表征质量的影响。 核心机制是使用表特定 tokenizer 处理不同表格，并共享 Transformer 主干；训练以缺失值插补为任务，通过恢复被掩码的单元格学习表征。摘要未说明 tokenizer 如何编码列类型、表结构与单元格，也未给出掩码策略或具体损失形式。 作者报告，规模实验覆盖约 10^4 至 10^7 参数的模型，预训练数据由 76 个不同数据集组成，共包含 135 M 个训练 token。评估分别考察单表与跨表预训练设置，在整理的基准数据集上使用线性探测，并与常规基线比较。摘要未列出基准名称、划分方式、基线名称或性能指标，因此尚不能判断规模收益、跨表迁移效果及其统计可靠性；实验协议、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，将 EEG 的结构化试次特征视为表格，用数据集特定 tokenizer 接入共享主干，以应对不同特征布局下的表征复用问题。可复用部分是共享主干与掩码恢复目标；需改造特征编码、通道与频带对应关系，并明确跨被试、跨会话的划分。原方法依赖表格单元格结构与较大规模预训练数据，不能直接等同于原始 EEG 时序建模；低信噪比、通道差异及小数据可能使恢复目标偏向噪声或数据集特征。可检验的小实验是在固定 Cross-subject 划分及相同训练预算下，对比单数据集与跨数据集预训练后的冻结表征线性探测，且预训练排除测试被试。相关 EEG 工作尚未检索确认。

    阅读价值：该研究以表特定 tokenizer 与共享 Transformer 主干探索跨表自监督预训练及规模效应，值得核对其线性探测对照和跨表泛化协议，但摘要未提供性能结果。

  3. OpenReview · Representation learning69

    表征层面的共识优化：通过以数据为中心的正则化改进个性化联邦学习

    基于摘要分析。该研究针对异质数据下个性化联邦学习的矛盾：客户端模型需要适应本地分布，同时保持一定共性以抑制 client-drift。作者提出将共识优化施加于各客户端模型的表征部分，而非整个本地模型，以兼顾共享约束与个性化灵活性。 机制上，研究利用深度网络通常可划分为特征提取部分与预测部分的结构，将共识约束集中于表征。相较于对完整模型施加相似性正则化的方法，这一设计改变了共识约束的作用范围；相较于要求完全共享表征的方法，它允许客户端表征随数据分布而变化。具体正则项、共识变量、优化流程及预测部分的训练与聚合方式尚未验证，不能仅依据标题确定“以数据为中心”的具体实现。 作者报告在标准数据集上进行了实验并取得良好表现，但摘要未列出数据集名称、客户端划分、异质性构造、对照基线或量化指标。实验协议、消融及统计信息尚未验证，因此目前只能确认研究提出了表征层面的共识优化思路，不能判断其收益幅度或适用边界。 平台推测（待验证）：假设将被试或采集站点视为客户端，该机制可能用于缓解 EEG 个性化联邦学习中共享表征与跨被试分布差异之间的冲突。可复用的是表征共识正则化思路，需改造 EEG 特征提取模块、通道对齐与本地任务训练接口，并核对方法所需的监督条件及通信规模。低信噪比、通道配置差异和本地小数据可能使共识约束压制有效的个体特征。一个可检验的小实验是在固定 EEG 任务、每名被试作为客户端且本地训练与测试数据分离的条件下，对比表征共识、完整模型共识与完全共享表征，观察各客户端测试性能及正则强度的影响；该方案并非论文已验证结果，相关 EEG 工作尚未检索确认。

  4. OpenReview · Representation learning77

    对象中心架构支持高效的因果表示学习

    基于摘要分析。本文研究多对象观测下因果表示学习的解耦问题：作者指出，常见的向量潜变量与单射生成函数假设在多对象场景中可能不再成立，并通过改造 Slot Attention、结合稀疏扰动提供的弱监督，学习各对象的属性表示。 核心机制与贡献：摘要将失效原因定位于多对象观测的生成函数不再具有单射性，并提出把对象中心学习与因果表示学习结合，以对象为单位组织表示、解耦属性。作者报告，在一系列简单图像解耦实验中，该方法成功解耦了对象集合的属性；相较一个编码到欧氏空间的可比方法，所需扰动显著更少。这里的数据效率具体指扰动监督需求减少，不能直接解释为训练样本总量或计算成本下降。Slot Attention 的改动细节、损失函数、扰动形式、数据集、划分、评价指标与具体数值，以及实验协议、消融及统计信息尚未验证；摘要亦不足以确定新架构的可辨识性保证及其适用条件。 平台推测（待验证）：假设 EEG 中存在可稳定分离的潜在成分，对象级表示可能为混合信号中的因素解耦提供参考，但图像对象与 EEG 神经源并非等价。迁移需要改造观测编码器、槽位与潜在成分的对应方式，并明确能否获得只改变少数因素的扰动监督；低信噪比、源混合、跨被试差异、通道变化及小数据可能破坏稳定分解。可先在具有已知源和混合过程的模拟 EEG 上，仅扰动单一源，比较改造后的对象中心模型与欧氏空间编码基线在相同划分及扰动预算下的源属性恢复能力，再检验噪声和混合变化下是否仍具优势。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其如何通过对象中心表示处理多对象生成过程中的可辨识性问题，并核对相较欧氏空间编码方法减少扰动监督需求的实验条件；其 EEG 迁移价值尚未验证。

10月27日周五
  1. OpenReview · EEG70

    使用潜在扩散模型生成合成睡眠 EEG 信号

    基于摘要分析。本研究针对 EEG 数据可用性不足及医疗数据共享受隐私限制的问题，探索结合 spectral loss 的潜在扩散模型，生成睡眠阶段的 30 秒合成 EEG 片段。其核心贡献是将频谱约束引入生成过程，以保持 EEG 特定频带中的结构化振荡。 机制方面，作者强调 spectral loss 对生成符合 EEG 特征的振荡结构至关重要。不过，摘要未提供潜在表示的编码方式、扩散模型结构、频谱损失的具体形式与权重，也未说明睡眠阶段是否作为生成条件；这些实现细节尚未验证。 数据与评估方面，作者使用 Sleep EDFx 和 SHHS 两个大型睡眠数据集训练模型，以 Multi-Scale Structural Similarity Metric、Frechet inception distance 及频谱图分析评估合成信号质量。作者报告，在上述生成质量评估下，模型能够产生具有适当神经振荡特征的逼真信号；摘要未给出指标数值、数据划分、被试内或跨被试协议、对照基线及统计结果，实验协议、消融及统计信息尚未验证。 证据边界方面，作者提出该方法可能缓解 EEG 数据稀缺，但摘要所述信号质量评估不能直接证明合成数据能提升睡眠分期或其他下游任务，也不能据此认定其具备隐私保护能力。复现时需核对预处理、通道配置、潜在编码与训练设置，并验证频谱约束的独立贡献、合成数据的下游效用，以及模型是否记忆训练样本；代码与模型权重的公开情况尚未验证。

    阅读价值：值得关注其以 spectral loss 约束潜在扩散模型生成睡眠 EEG 频带振荡的机制，但合成数据能否改善下游任务及保障隐私尚未验证。

10月8日周日
  1. OpenReview · Representation learning64

    面向科学多文献的内容与拓扑感知表示学习

    基于摘要分析。该研究针对句子级或文档级表示学习忽略文档间联系的问题，提出 SMRC²，将科学多文献作为输入，联合学习内容中的潜在语义与拓扑网络中的关联信息，旨在改善多文档场景的表示能力。 核心机制是通过语言模型与图结构，在共享空间中整合语义和文档间关系。相较于独立编码单篇文档的思路，其研究重点是把跨文档联系显式纳入表示学习。摘要未说明拓扑网络的构建依据、节点与边的定义、共享空间的对齐方式、损失函数或训练与推理流程，这些技术细节尚未验证。 作者报告，广泛实验支持该方法的优越性与有效性，但摘要未提供具体任务、数据划分、对照基线、指标或数值，因此无法核对提升幅度及适用范围。作者表示将发布代码和一个生物医学领域的新数据集；这属于发布计划，不能据此认定资源已经公开。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：内容与关系联合建模的假设可用于探索 EEG 片段表示与片段间关系的融合，但文献拓扑不能直接等同于脑电连接结构。可复用的是共享表示空间中的语义—关系融合思路，需要改造输入编码器和建图规则，并核对原方法所依赖的监督信息与数据规模。EEG 的低信噪比、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，削弱融合收益。一个可证伪的小实验是在固定 Cross-subject 划分下，对比仅使用 EEG 内容表示、加入预定义关系图及加入随机图的模型，保持编码器与训练预算一致，检验真实关系是否提供额外信息。上述迁移尚非论文验证结果，已有 EEG 相关工作尚未检索确认。

9月24日周日
  1. OpenReview · Representation learning76

    梯度下降下多任务表征学习的能力分析

    基于摘要分析。本文研究多任务表征学习为何能优于单任务表征学习，核心贡献是在梯度下降训练的过参数化两层卷积神经网络设定下，基于同时包含任务共享特征与任务特有特征的数据模型给出理论分析。 技术重点是将跨任务可复用的信息与各任务独有的信息纳入同一分析框架，考察多任务训练相较单任务训练的优势。作者报告使用合成数据与真实数据实验来说明和验证理论发现；摘要未提供具体数据集、任务构造、指标或数值，因此不能据此量化收益。理论结论所需的数据分布条件、过参数化要求、梯度下降设置、具体损失及实验协议、消融与统计信息尚未验证，也不能将该结论扩展为任意网络或任意任务组合下的普遍优势。 平台推测（待验证）：该框架可能为 EEG 多任务学习中“共享表征与任务差异如何兼顾”提供分析视角，但依赖任务之间确有可共享结构，并且任务定义、监督信号与数据规模能支撑联合训练。可复用的是共享与特有特征的建模思路；卷积结构、输入组织及任务输出需按 EEG 的通道、时间结构与标签体系改造。低信噪比、跨被试差异、通道配置不一致及小样本条件可能削弱共享结构或引发负迁移，原领域结论不等于已验证的 BCI 效果。 一个可检验的小实验是假设相关 EEG 任务存在有益共享特征，在固定被试级训练与测试划分、匹配模型容量及训练预算的条件下，对比多任务与单任务学习，并加入相关性较弱的任务作为对照，观察各任务是否出现稳定收益或负迁移。该实验属于平台提出的验证方案；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其在任务共享与任务特有特征并存的数据模型下，对梯度下降训练的多任务表征学习相较单任务学习优势所作的理论分析，但其适用条件及向 EEG 的迁移价值尚待验证。

9月23日周六
  1. OpenReview · Representation learning76

    面向机器人操作的人类导向表征学习

    基于摘要分析。该研究针对机器人操作中的视觉表征学习，提出在预训练视觉编码器上进行人类导向的多任务微调：以手部检测、状态估计等与人类—环境交互相关的感知技能作为学习任务，并通过 Task Fusion Decoder 引导表征编码这些技能共同需要的结构，服务于下游机器人操作策略学习。 核心机制是将 Task Fusion Decoder 作为即插即用的嵌入转换模块，利用不同感知技能之间的潜在关系来指导表征学习。与仅依赖自监督目标的视觉表征相比，作者主张，联合学习多个简单但与交互相关的感知技能，更适合为机器人操作提供可泛化表征。摘要未说明任务关系的具体建模方式、监督来源、损失形式，以及视觉编码器与解码器的训练配置，这些细节尚未验证。 作者报告，在覆盖多种机器人任务与机器人形态的仿真及真实环境实验中，Task Fusion Decoder 持续改善了 R3M、MVP 和 EgoVLP 三种视觉编码器用于下游操作策略学习的表征。摘要未提供具体数据集、数据划分、评估指标、提升幅度或逐项对照结果，因此尚不能量化增益或判断不同实验之间的可比性；实验协议、消融及统计信息尚未验证。摘要指向包含演示、数据集、模型和代码的项目页面，但资源内容与复现条件尚未核验。 平台推测（待验证）：可迁移的假设是，通过与目标任务相关的辅助感知任务及其关系约束，缓解 EEG 表征与下游任务需求不匹配的问题。原方法依赖视觉输入及多任务监督，迁移时需将视觉编码器和感知任务替换为 EEG 编码器及有明确监督依据的辅助任务，并重新定义任务间关系；不能直接沿用手部检测等视觉技能。低信噪比、跨被试与通道差异、小样本监督可能导致辅助任务学习伪相关或产生负迁移。一个可检验的小实验是在固定 EEG 数据划分和监督预算下，对比单任务微调、多任务微调及加入任务融合模块的方案，观察跨被试性能是否稳定改善。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对 Task Fusion Decoder 如何利用感知技能间的关系改进预训练表征，以及其在不同视觉编码器和机器人操作任务中的增益是否具有一致的评估依据。

  2. OpenReview · Representation learning70

    用于无监督表征学习的因果排序先验

    基于摘要分析。研究针对变分推断式无监督表征学习对潜变量独立性假设的依赖，提出一种完全无监督的方法：在潜在数据生成过程中引入加性噪声模型（ANM），并通过基于潜在分布 Hessian 的损失鼓励潜在空间遵循因果排序。 机制与贡献：作者认为，数据中的变化因素可能存在因果关系，因此允许潜变量因因果关系而相关，比直接假定独立更符合其建模目标。该方法受功能因果模型中的因果发现启发，将因果排序作为表征学习的先验。摘要将其与依赖辅助信息、弱标签、干预或反事实数据的可证明可识别方法相对照，但未提供足以确认本方法可识别性的定理与条件；不能将“鼓励因果排序”等同于恢复真实因果结构。 证据边界：摘要未提供具体损失表达式、Hessian 的估计方式、模型结构、数据集或定量结果。实验协议、消融及统计信息尚未验证；复现时需核对 ANM 的适用假设、潜在分布估计与二阶导数计算方式，以及排序约束与表征质量之间的关系。 平台推测（待验证）：若 EEG 的潜在生成因素具有可由 ANM 近似的有向依赖，该排序先验可能为相关潜因素的建模提供思路，但原领域机制不等于已证实的 BCI 效果。可复用的是潜在空间约束，需改造的是 EEG 时序编码与分布估计；低信噪比、通道混合、跨被试差异及小样本可能使 Hessian 估计不稳定，或使假定的因果结构不适用。一个可证伪的小实验是先在具有已知潜在 ANM 和通道混合的合成 EEG 数据上，在相同编码器与训练划分下比较有无排序损失的结构恢复与噪声敏感性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的具体机制是以潜在分布的 Hessian 构造损失来鼓励因果排序，可用于考察无辅助监督的因果表征学习，但其可识别性条件与实验效果尚未验证。

  3. OpenReview · Representation learning71

    面向部分可观测强化学习的可证明表征与高效规划

    基于摘要分析。该研究针对真实强化学习中状态信息仅部分可观测、难以直接满足马尔可夫决策过程假设的问题，从表征视角构建学习与规划框架，旨在缓解部分可观测马尔可夫决策过程（POMDP）的计算与统计挑战。 方法与理论：摘要将表征学习作为组织算法设计的核心，并称提出了实际可处理的部分可观测强化学习算法，提供理论分析以论证其统计效率。具体表征如何编码观测历史、如何支持规划，以及理论保证依赖哪些环境、监督或数据规模假设，均尚未验证；不能据摘要确定网络结构、损失形式、训练流程或规划复杂度。 实验与证据：作者报告，所提算法在多个采用部分观测的基准上取得超过当时先进方法的表现。摘要未列出基准名称、评价指标、具体数值或对照配置，因此尚不能判断性能提升的幅度及适用边界。实验协议、消融及统计信息尚未验证，复现所需的实现与计算条件也需查阅全文。 平台推测（待验证）：若闭环 BCI 被建模为部分可观测决策问题，该框架可能为利用观测历史估计与控制相关的状态、再进行规划提供方法参考；这是假设，不是已证实的 EEG/BCI 效果。其可复用部分可能是表征与规划的衔接思路，观测编码及状态假设则需针对 EEG 调整。低信噪比、跨被试差异、通道变化和小数据可能破坏表征的稳定性或理论前提。由于摘要不足以确定具体机制，当前不据此制定复现实验方案；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其如何通过表征学习连接部分可观测条件下的学习与高效规划，并核对统计效率保证的假设与适用范围；其对闭环 BCI 的价值尚未验证。

  4. OpenReview · Representation learning70

    通过软干预进行隐式潜在因果表征学习

    基于摘要分析。本文研究在未知真实因果图结构时，如何利用观测数据与软干预数据学习隐式潜在因果表征，核心贡献是在 Variational Autoencoder（VAE）框架中引入 causal mechanism switch variable，用于切换不同因果机制。 机制上，硬干预直接强制改变因果变量，软干预则通过改变因果机制施加影响。作者认为，软干预在现实场景中往往比需要充分受控环境的硬干预更具可行性。该方法将机制切换纳入潜变量建模，但摘要未说明切换变量的监督来源、干预目标是否已知、具体损失形式，以及可识别性成立所需的假设，这些均尚未验证。 作者报告，在其所用实验设置中，相较基线方法持续观察到可识别因果表征学习的改善；摘要未提供数据集、评估指标、数值、划分方式或基线名称，因此不能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。 平台推测（待验证）：若 EEG 数据中存在可记录、可重复且能合理解释为机制变化的实验条件，该思路可能用于探索跨被试或跨会话变化与任务相关潜在因素的分离。此假设依赖干预条件的可辨认性，不能将一般条件差异直接视为因果干预。可复用部分是 VAE 与机制切换建模思路，需改造 EEG 编解码模块及干预条件的表达；低信噪比、通道变化、被试混杂和小数据可能使切换变量捕获测量伪差而非因果机制。可检验的小实验是在具有明确条件操控的 EEG 数据上，固定被试与会话划分，比较含机制切换变量的模型与匹配容量的普通 VAE，并检验移除或打乱干预条件后表征稳定性的变化。已有 EEG 相关工作尚未检索确认。

  5. OpenReview · Representation learning74

    方差–协方差正则化改善表征学习

    本研究针对监督预训练可能优先学习降低源任务损失的特征、从而限制特征迁移性的问题，将自监督方法 VICReg 中的正则化技术引入监督学习，提出 Variance-Covariance Regularization（VCReg）。基于摘要分析，未取得论文全文。 核心机制是鼓励网络学习高方差、低协方差的表征，以促进更丰富的特征学习。作者介绍了在不同网络架构中实施该正则化的实践建议，并提出针对中间表征的优化正则化策略；具体损失形式、约束作用位置、权重设置及训练流程尚未验证。 作者报告，VCReg 在所评估的多项任务和数据集上改善了迁移学习表现，也改善了长尾学习与层级分类表现。摘要未提供具体数据集、划分、对照基线、指标或数值，因此不能判断收益幅度及适用边界。作者的分析提示，其效果可能与缓解 gradient starvation 和 neural collapse 有关；这属于机制解释，不能据摘要视为已确立的因果结论。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 监督预训练也存在表征过度依赖源任务判别特征的问题，VCReg 的表征约束可能值得迁移评估。可复用部分是对中间表征的方差与协方差正则化；需改造部分包括 EEG 编码器中的作用位置、时间维与通道维的表征组织，以及适应小批量训练的统计估计。该机制依赖批内表征统计，低信噪比可能使高方差约束保留噪声，跨被试差异可能强化身份相关特征，小数据与通道差异也可能削弱约束稳定性。 一个可检验的小实验是在固定 EEG 编码器、训练数据和 Cross-subject 划分下，对比不加 VCReg 与加入 VCReg 的监督预训练，并在相同目标被试适配条件下评估迁移表现及表征统计，检查收益是否跨划分稳定。此方案仅为假设检验建议，已有 EEG 相关工作尚未检索确认。

  6. OpenReview · Representation learning72

    面向单调物理系统的偏序表征强化学习

    基于摘要分析。研究针对绳索操控、倒水等高维视觉—运动控制任务中，无模型强化学习在状态表征与动力学学习方面样本需求较高的问题，提出 Partial Order Representation（POR）框架，利用物理系统的单调性为训练提供结构化信号。 核心思路是让强化学习表征更好地捕捉系统状态之间的偏序关系。摘要以倒水时水向下流动为动机，但未说明偏序关系如何构建、如何进入训练目标，以及 POR 与具体强化学习算法如何结合；不能据此推断其损失形式、网络结构或是否需要额外监督。需进一步核对单调性成立的条件、约束作用于哪些状态变量，以及复杂操控中的非单调过程如何处理。 作者报告，POR 在多种具有挑战性的视觉—运动控制任务中，相比其所称的先进方法提高了样本效率与任务表现。摘要未提供具体任务清单、基线名称、评估指标、交互预算或数值，因此尚不能判断优势幅度及不同任务间的一致性。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）：可借鉴的是“将可验证的顺序关系用于表征学习”这一思路，而不是假设 EEG 本身具有物理单调性。若 EEG 任务存在外部定义且可靠的有序状态，可探索保留偏序约束、替换视觉输入编码模块；主要风险是低信噪比、跨被试差异及小数据使观测信号不满足该顺序。一个条件性小实验是在具有明确顺序标签的 EEG 数据上，以相同编码器和被试划分比较加入与不加入偏序约束的表现，并测试顺序标签扰动后的稳定性；这不是原论文已验证的 BCI 结果，已有 EEG 相关工作尚未检索确认。

  7. OpenReview · Representation learning76

    用于鲁棒表征学习的上下文视觉 Transformer

    基于摘要分析。研究针对不同群组间潜在因素变化导致的图像分布偏移，提出 Contextual Vision Transformers（ContextViT），通过群组上下文条件化图像表征，并在推理时适应新的测试分布。 核心机制借鉴 in-context learning：将与输入图像属于同一群组的图像信息映射为额外的 context token，再将其附加到输入图像 tokens 中，使表征随群组上下文调整。作者另引入 context inference network，从某一群组的一批样本即时预测 context token。该机制依赖可用的群组归属及同组样本；摘要未说明群组的具体定义、上下文聚合方式、训练损失或测试时是否更新模型参数，因此不能将其直接等同于参数更新式测试时自适应。 作者报告，在监督微调设置下，为预训练 ViTs 加入上下文条件化机制，在 iWildCam 和 FMoW 上持续改善分布外泛化；在自监督表征学习设置下，ContextViT 在 Camelyon17 病理图像及 JUMP-CP 显微图像基准上，比对应 ViT 获得更稳定的分布偏移下图像表征。摘要未给出指标数值、数据划分或效应大小，实验协议、消融及统计信息尚未验证。复现时需核对群组构造、上下文批次采样、预训练条件与基线配置。 平台推测（待验证）：迁移假设是，EEG 的被试或会话可作为群组，上下文条件化可能帮助处理跨被试或跨会话分布变化。可复用 context token 与上下文推断思路，但需将图像 token 编码改为 EEG 时序或时空编码，并明确测试群组可用样本及监督条件。低信噪比、小批次、通道配置差异，以及同组任务类别比例变化，都可能使上下文混入噪声或任务内容。一个可检验的小实验是在固定 Cross-subject 划分下，以同一 EEG 编码器比较无上下文与同组上下文条件化，并加入打乱群组的对照；严格固定测试上下文采样规则，检验增益是否来自有效群组信息。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其由同组样本推断 context token 的机制及测试时分组协议：这为利用群组上下文处理分布偏移提供了具体方法，但其对 EEG 跨被试或跨会话表征的价值尚未验证。

9月22日周五
  1. OpenReview · Representation learning72

    用于无监督表征学习的多对象拼接

    基于摘要分析。研究针对单对象中心图像上的对比学习难以充分表征多对象图像的问题，提出 Multiple Object Stitching（MOS）：将单对象中心图像拼接为多对象图像，利用合成过程中已知的对象身份，提供无需人工标注的对象对应关系，以改善对象级表征。 核心机制是通过可控的数据构造补充对比学习中的对应信息，而非仅依赖整幅图像之间的关系。作者认为，这能使模型更关注多对象图像中的各个对象，为 object detection 和 semantic segmentation 等任务提供更细致的表征。摘要未说明具体的对应关系编码、损失形式、训练流程或下游适配方式，尚不能判断收益主要来自拼接增强还是对象级约束。 作者报告，在 ImageNet、CIFAR 和 COCO 上，MOS 对单对象中心图像与多对象图像均取得领先的无监督表征性能；但摘要未提供 CIFAR 的具体版本、数据划分、评估指标、对照方法和数值，因此该主张尚待核对。实验协议、消融及统计信息尚未验证。摘要称源码位于补充材料，代码内容与复现条件尚未核验。 平台推测（待验证）：该方法可供 EEG 自监督学习参考的部分，是通过可控合成建立已知局部成分的对应关系；但视觉对象与 EEG 的时段、通道或潜在神经源并不等价。迁移假设依赖可识别且具有稳定语义的局部成分，需要改造拼接规则和对应关系构造；低信噪比、跨被试差异、通道耦合及小数据可能使拼接产生伪迹或破坏生理结构。一个可证伪的小实验是，在固定 EEG 数据划分和编码器下，对比普通增强、仅局部拼接及加入已知成分对应约束三种设置，检验对应信息是否带来独立收益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 MOS 如何利用合成图像中已知的对象对应关系改进多对象表征，以及这种收益能否在真实多对象图像的检测与分割评估中保持；摘要中的领先性能主张仍需全文验证。

  2. OpenReview · Representation learning70

    InfoAug：用于表征学习的互信息引导数据增强

    基于摘要分析。InfoAug 研究对比表征学习中的数据选择与增强如何减少对人工假设和工程经验的依赖，提出依据真实世界分布中的互信息选择训练样本，而不只在训练目标中采用信息最大化原则。 核心机制是：考察场景中的图像块在颜色变化、运动等自然扰动下的互信息，将表现出高互信息的图像块作为对比损失学习的正样本。其研究切入点在于正样本的选择依据，而非摘要已明确给出的新网络结构或新损失形式。摘要以 InfoNCE 为背景，但未说明互信息估计器、图像块对应方式、筛选阈值，以及样本选择与训练过程如何衔接，这些均需全文核对。 作者报告，在若干基准和多个先进表征学习框架上评估了该方法，并观察到有效性；摘要未提供基准名称、数据划分、具体对照、指标或数值，因此尚不能判断收益幅度及其适用范围。作者将改善开放环境泛化作为方法动机，其具体评估证据尚未验证。实验协议、消融及统计信息尚未验证。摘要称数据和代码将提供，不能据此认定已公开。 平台推测（待验证）：若能可靠估计 EEG 片段在合理扰动下的信息保持程度，互信息引导的正样本选择可能有助于缓解自监督学习中增强破坏任务相关信号的问题。可复用的是信息驱动的样本筛选思路；需改造的是图像块对应关系、扰动定义及互信息估计，使其适配 EEG 的时间、通道结构。低信噪比和小数据可能导致估计不稳定，高互信息也可能来自稳定伪迹或被试身份，而非任务信息。一个可检验的小实验是在固定数据划分、模型与训练预算下，对比互信息筛选和随机选择增强正样本，并在独立跨被试测试中检查下游性能与伪迹敏感性。以上为迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 InfoAug 如何估计自然扰动下的互信息并据此选择对比学习正样本，这为减少增强策略对人工假设的依赖提供了具体研究路径，但其 EEG 迁移价值尚未验证。

  3. OpenReview · Representation learning70

    多变量时间序列的时空表征学习

    基于摘要分析。研究针对多变量时间序列（MTS）标签稀缺、现有对比学习对变量间关系考虑不足且对正样本对构造敏感的问题，提出时空对比表征学习方法 STCR，用于学习适合分类与预测任务的无监督表征。 核心机制是鼓励时空一致性，将变量间的空间信息与时间依赖共同纳入表征学习，并减轻对正样本对构造的敏感性。这里的“空间信息”涉及 MTS 变量间关系，摘要未说明是否依赖物理位置、预定义拓扑或学习得到的关联。具体编码器、损失形式、正样本构造方式、训练与推理流程尚未验证。 作者报告，在 MTS 分类与预测任务的广泛实验中，STCR 能生成高质量表征，并在两类任务上取得 state-of-the-art 表现。摘要未提供数据集、划分方式、对照基线、指标或数值，因此无法核对优势幅度及适用条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其迁移到 EEG 的假设是，将多通道 EEG 视为 MTS，以通道间关系及时间依赖缓解标签稀缺下的表征学习瓶颈。可尝试复用时空一致性学习思路，但通道定义、采样率、时间窗口及正样本构造需适配 EEG；所需无标签数据规模尚不明确。低信噪比、伪迹、跨被试差异和通道布局变化可能使一致性约束强化非任务信息，小数据条件也可能限制训练稳定性。一个可检验的小实验是在固定 EEG 数据集与 Cross-subject 划分下，仅用训练被试数据进行无监督预训练，以相同编码器和下游分类协议对比 STCR 与不含时空一致性约束的版本，并检查通道扰动后的性能稳定性。该方案不是原论文已验证结果，已有 EEG 相关工作尚未检索确认。

  4. OpenReview · Representation learning70

    CaStRL：基于 Transformer 的上下文感知状态表征学习

    基于摘要分析。CaStRL 研究如何在没有额外监督信号的条件下，从高维观测中学习可用于多种下游控制任务的状态表征。其贡献是将生成式自回归建模与预训练—微调范式结合，联合学习潜在状态表征及影响表征泛化的上下文，以捕捉环境动态。 核心机制包括两个部分：首先，以 Video-Swin Transformer 为视觉编码器，通过加入因果注意力掩码支持自回归建模；其次，使用 Context-GPT 从历史状态表征序列中学习上下文，通过跨较长时间范围的信息传播捕捉全局结构模式。摘要未说明具体预测目标、损失函数、上下文定义及两部分的训练衔接方式，这些细节尚未验证。 作者报告，在多种 Atari 实验中，预训练表征能够显著促进下游学习效率；摘要强调 reward-free 评估，以及预训练和微调阶段的数据受限条件。具体 Atari 任务、数据规模、划分方式、对照基线、收益指标及数值均未提供，因此尚不能量化收益或判断各模块的独立贡献；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移假设是，因果状态编码与历史上下文建模也可能帮助 EEG 表征利用较长时间范围的信息。原方法依赖视觉观测及有序状态序列，面向控制任务，而 EEG 存在低信噪比、跨被试差异、通道配置差异和小数据约束；视觉编码器需要改造成适配多通道 EEG 的输入模块，历史上下文建模思路可作为候选复用部分。长上下文也可能放大伪迹或被试特征，而非提取任务相关信息。 一个可检验的小实验是：在固定 Cross-subject 划分与相同预训练数据量下，比较加入历史上下文模块与仅使用因果编码器的 EEG 表征，保持下游标注量和分类器一致，并检查打乱历史顺序后收益是否变化。该实验仅是迁移假设的验证方案，不代表已有 EEG 效果；相关 EEG 工作尚未检索确认，代码与完整复现条件尚未验证。

  5. OpenReview · Representation learning74

    基于 VAE 与因果流的因果解耦表征学习

    基于摘要分析。该研究针对生成因素之间存在因果关系时的解耦表征学习问题，提出 causal flows，并将其引入 VAE，构建 Causal Flows Variational Autoencoders（CauF-VAE），以学习具有因果结构的低维表征。 核心机制是对 autoregressive flows 进行改造，将生成因素的真实因果结构纳入流变换。作者还引入真实生成因素的监督信息，对 CauF-VAE 的解耦可辨识性进行理论分析。摘要未给出因果结构的具体编码方式、监督信息形式、损失函数及理论成立条件，这些内容尚待全文核对。需要区分依赖真实因果结构的模型构建与从数据中学习因果结构：摘要提及后者的潜力，但不足以确认结构学习的具体方法和适用条件。 作者报告，在合成与真实数据集上的评估显示，CauF-VAE 能实现因果解耦并开展干预实验，且在下游任务中表现良好。摘要未提供数据集名称、划分、对照基线或量化指标，因此不能判断效果幅度及比较公平性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 中的任务相关因素与干扰因素具有可描述的因果关系，该机制可能用于探索二者的分离。可复用部分是因果流与 VAE 的组合思路；需改造观测模型，并明确可获得的因素监督与因果结构假设。EEG 的低信噪比、跨被试差异、通道混合及小数据条件可能使因素难以辨识，错误的因果结构也可能限制表征质量。一个可检验的小实验是使用具有已知生成因素和因果结构的合成 EEG，对比 CauF-VAE 与不嵌入该结构的 VAE，在相同划分和监督条件下检验因素恢复及干预一致性，再逐步增加噪声和被试差异。此实验仅为迁移假设，不代表已证实的 BCI 效果；已有 EEG 相关工作尚未检索确认。

  6. OpenReview · Representation learning76

    利用多晶型晶体结构的化学计量表征学习

    基于摘要分析。该研究针对材料性质预测依赖晶体结构描述、而结构获取可能计算成本高或难以实现的问题，提出 PolySRL：利用可获得的结构信息学习化学计量的概率表征，以刻画同一化学计量组成对应多种晶体结构所带来的不确定性。 核心机制与贡献：化学计量描述元素组成比例，不包含原子排列信息；多晶型现象使同一组成可能对应不同结构，因此仅凭组成学习表征存在歧义。PolySRL 将结构信息作为辅助信息，引入概率表征。作者认为其表征不确定性能够反映化学计量组成对应的多晶型结构。摘要未说明概率分布形式、损失函数、结构编码方式，以及训练和推理阶段分别需要哪些输入，这些实现条件尚未验证。 结果与证据边界：作者报告在十六个数据集上的广泛实验显示 PolySRL 优于对照方法，并通过不确定性分析讨论其在实际材料发现中的适用性。摘要未提供数据集名称、预测任务、划分协议、对照基线或具体指标，因此无法判断收益大小及适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，借助额外上下文学习概率表征，可能有助于描述 EEG 中相似观测对应不同潜在状态的歧义，但材料多晶型并不等同于 EEG 的被试差异或噪声。迁移依赖可配对的 EEG 与可靠辅助信息；概率表征思路可复用，晶体结构编码及材料监督目标则需改造。低信噪比、通道差异和小数据可能使不确定性主要反映噪声而非任务相关歧义。一个可检验的小实验是在固定跨被试划分下，以相同 EEG 编码器比较确定性表征与辅助信息驱动的概率表征，检验预测表现和不确定性校准是否同时改善。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其利用晶体结构辅助学习化学计量概率表征的机制，尤其是不确定性能否反映多晶型差异；其对 EEG 表征的迁移价值尚未验证。

  7. OpenReview · Representation learning78

    双线性 Bandit 纯探索中的多任务表示学习

    基于摘要分析。该研究关注双线性 Bandit 的多任务纯探索问题：利用任务间共享的低维线性表示，以更少样本识别各任务的最优臂对。作者提出 GOBLIN，通过实验设计分配用于学习全局表示和识别各任务最优动作的样本，并提供样本复杂度分析。 问题机制：每个动作由来自两种不同实体类型的两个臂组成，奖励是两臂已知特征向量的双线性函数。多任务共享低维线性表示，因此一个任务中的采样可能帮助其他任务学习共同结构。GOBLIN 的核心是同时考虑共享表示的学习需求与各任务最优臂对的辨识需求，而不是将任务完全独立求解；具体估计器、采样阶段与停止规则尚未验证。 结果与证据：作者报告，相较于独立求解各任务，学习共享表示能够显著改善样本复杂度；摘要未给出具体界、改善幅度或实验指标。作者称，据其所知，这是首项对具有共享表示的双线性 Bandit 纯探索问题给出样本复杂度分析的研究，该优先性声明尚未独立核实。理论假设、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 BCI 校准可被建模为两类候选配置的配对选择，具有已知特征、可重复获得的标量反馈，且不同被试或会话确实共享低维结构，该机制可能用于减少逐任务搜索成本。这是假设，不是已证实的 EEG 效果。可复用的是共享表示与实验设计的采样分配思路；需改造的是 EEG 配置特征、反馈定义及非平稳性处理。低信噪比、被试差异、通道变化和小样本下的表示估计误差，都可能使共享结构假设失效。一个可证伪的小实验是，在固定候选配置与相同反馈预算下，比较共享表示策略和独立任务策略识别最优配置的成功率，并检查收益是否随任务相似性降低而消失。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其如何通过实验设计协调共享表示学习与逐任务最优动作识别的采样预算，以及样本复杂度改善所依赖的条件；其对 BCI 校准的价值尚未验证。

  8. OpenReview · Representation learning75

    分布式策略评估：用于表示学习的最大熵方法

    基于摘要分析。本文研究分布式 Reinforcement Learning（RL）中的策略评估如何显式考虑状态表示的复杂度，提出 Distributional Maximum Entropy Policy Evaluation（D-Max-Ent PE）框架，并利用其泛化误差界指导状态空间表示学习。 核心机制是将 Maximum Entropy（Max-Ent）框架用于分布式策略评估，推导依赖表示复杂度的泛化误差界，再以 Structural Risk Minimization（结构风险最小化）方式选择表示。作者采用状态聚合函数作为特征函数，提出 D-Max-Ent Progressive Factorization，逐步构建更细粒度的状态表示，在保留信息所对应的偏差与有效状态数、表示复杂度所对应的方差之间权衡。摘要未给出最大熵目标的具体形式、误差界假设、聚合准则或细化停止条件，这些尚需全文验证。 作者报告，示例性数值模拟中的算法表现符合预期理论行为，并展示状态聚合与样本规模之间的关系。摘要未提供具体环境、样本规模、对照方法或定量指标，因此不能据此判断其相对性能或大规模任务适用性；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 驱动的序贯决策问题能构造可用于策略评估的状态、动作、奖励及轨迹数据，这种复杂度约束的状态聚合思路可能用于缓解小样本下状态表示过细带来的估计方差。可复用的是聚合与渐进细化思想，需改造的是 EEG 特征到决策状态的映射及复杂度度量；低信噪比、跨被试或通道差异可能使聚合混合决策意义不同的状态。一个可证伪的小实验是在固定轨迹划分和样本预算下，比较固定粒度聚合与渐进聚合的留出策略评估误差，检验其是否随样本量增加呈现预期权衡。这不构成已验证的 EEG/BCI 效果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是作者将分布式 RL 中的策略评估误差与状态表示复杂度联系起来，并据此设计渐进状态聚合算法；其理论界的适用条件及数值验证范围仍需全文核对。

  9. OpenReview · Representation learning81

    表征学习的最小描述长度与泛化保证

    基于摘要分析。本文研究监督表征学习如何从训练样本泛化至未见数据，提出信息论式可压缩性框架，以标签或潜变量（表征）的最小描述长度（Minimum Description Length，MDL）推导泛化误差上界，并引入数据依赖先验以部分利用理论结果。 核心机制：不同于 Information Bottleneck（IB）通常使用输入与表征之间的 Shannon 互信息，该框架的界涉及训练集和测试集表征或标签的分布相对于固定先验的“multi-letter”相对熵。作者指出，输入—表征互信息不足以刻画算法的泛化能力，并报告新界能够反映编码器结构，对确定性算法也并非空泛。方法以 Blum-Langford 的 PAC-MDL 界为基础，加入分块编码与有损压缩，其中有损压缩使几何可压缩性成为其特例。作者称这些界据其所知是针对 IB 类型编码器及表征学习的首类结果；该优先性尚未独立核实。 结果与验证边界：作者报告，数值模拟显示恰当选择的数据依赖先验相较于 IB 中使用的经典先验具有优势。摘要未提供数据集、划分、具体指标或数值，因而不能判断优势规模，也不能将理论泛化界等同于实测预测性能。界的假设、先验构造所需数据、压缩失真条件、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其机制可能为小样本 EEG 监督表征的复杂度控制提供分析工具，但原领域理论不等于 BCI 有效性。可复用的是 MDL、压缩和先验设计的分析框架；需改造的是 EEG 表征编码、失真定义，以及对被试、会话和通道结构的处理。低信噪比下压缩可能保留噪声或丢失判别信息，跨被试分布变化也可能限制界的解释力。一个可检验的小实验是假设在固定编码器和明确的 Cross-subject 划分下，仅以训练被试构造先验，对比经典先验与数据依赖先验，检验所得界是否非空泛、是否对应未见被试的泛化误差变化；实施前需核对定理适用条件。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其以分块编码和有损压缩构建的 MDL 泛化界，尤其是对编码器结构及确定性算法的处理；界的适用条件、紧致性和数据依赖先验的实验收益尚需全文核对。

  10. OpenReview · EEG71

    通过几何感知建模学习拓扑无关的 EEG 表征

    基于摘要分析。该研究针对不同 EEG 数据资源的通道选择不一致，以及信号固有的结构与空间信息难以统一利用的问题，提出将不同通道选择映射到统一拓扑，并在此基础上构建 MMM 预训练框架，以学习拓扑无关的 EEG 表征、支持跨数据集预训练。 MMM 包含 Multi-dimensional position encoding（多维位置编码）、Multi-level channel hierarchy（多级通道层级）和 Multi-stage pre-training strategy（多阶段预训练策略）。摘要明确的机制路径是先统一通道拓扑，再通过上述三个组件组织空间信息、通道层级及预训练过程；但统一拓扑的具体定义、通道映射方式、位置编码构造、层级组织及各训练阶段的目标尚未验证，不能据此推断网络结构或损失形式。 作者报告，该方法在情绪识别基准数据集上相较此前最先进方法取得明显提升。摘要未提供数据集名称、指标、数值、对照方法或数据划分，因此不能量化提升，也不能判断结果属于 Within-subject、Cross-subject 或 Cross-dataset 评估。支持跨数据集预训练是研究目标，不等同于已经验证跨数据集下游泛化；实验协议、消融及统计信息尚未验证。 复现时应优先核对统一拓扑如何处理通道缺失与不同电极配置、预训练数据如何组合，以及三个组件各自的贡献。尤其需要确认情绪识别评估中的被试与数据集划分、预训练和下游数据的关系，以及比较方法是否采用相同协议。这些均是需全文核对的事项，而非已发现的研究缺陷。

    阅读价值：值得阅读的具体原因是其以统一通道拓扑连接不同 EEG 资源，并结合位置编码、通道层级与分阶段预训练；这些设计为跨数据集预训练提供了可核对的机制路径，但性能增益及跨通道配置泛化仍需全文验证。

  11. OpenReview · Representation learning81

    面向一般任务空间的主动表征学习及其机器人应用

    基于摘要分析。本文研究多任务预训练中应从哪些源任务采样，提出主动表征学习的算法与理论框架，同时覆盖面向特定目标任务和面向一类任务的通用表征学习，支持从离散到连续的源任务与目标任务空间。 核心机制是主动选择源任务，而非被动分配采样。作者提出可操作的元算法，并给出双线性、基于特征的非线性及一般非线性情形的实例，称其兼容深度表征学习实践。摘要未提供具体采样准则、模型结构、损失函数及训练流程。 作者报告，在双线性情形下，利用任务表征的非均匀谱和经校准的源—目标相关性，达到目标任务 ε 超额风险所需的样本复杂度随 (k*)²‖v*‖₂²ε⁻² 缩放；其中 k* 为目标的有效维度，‖v*‖₂²∈(0,1] 描述源与目标空间的联系。摘要将相对被动方法的样本复杂度节省表述为最高 1/d_W，d_W 为任务空间维度；这一表述的精确定义及适用假设需核对全文，不宜直接换算为百分比。 作者在合成数据、摆系统仿真与真实无人机飞行数据上验证不同实例，报告相对基线平均提升 20%–70%。摘要未说明对应指标、基线、数据划分及各任务结果，因此不能将该范围解释为 Accuracy 提升或直接跨任务比较。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 中的被试或会话可建模为源任务，且存在可估计的源—目标相关性，该框架可能用于有限预算下选择预训练数据。可复用的是任务采样策略，需改造任务描述、相关性估计与 EEG 编码器；其依赖多源任务数据及可比较的学习反馈。低信噪比、通道差异和小样本可能使相关性估计不稳定，导致负迁移。一个可证伪的小实验是固定编码器、总采样预算与目标训练数据，在相同 Cross-subject 划分下比较主动源任务采样和均匀采样，并报告目标被试上的同一指标及不确定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是其将源任务主动选择统一到面向特定目标与任务无关的表征学习框架，并以源—目标相关性解释采样效率；理论条件与机器人实验中的提升指标仍需全文核对。