跳到正文
#OpenReview
1月26日周一
  1. OpenReview · Representation learning73

    CARL：在表示学习中保持因果结构

    基于摘要分析。该研究关注跨模态表示学习中的因果结构漂移：非线性映射可能引入伪依赖或丢失关键中介变量，使共享表示不再支持原有因果推断。作者提出 Causal Alignment and Representation Learning（CARL），将因果结构保持约束嵌入跨模态对齐目标，在压缩与变量保留之间取得平衡。 机制上，CARL 采用多一致性损失，联合优化条件独立保持与信息瓶颈正则化，旨在避免低密度模态被高密度模态的重建需求掩盖。另以 Spearman 相关构建单调对齐一致性损失，约束语义相似性与表示距离之间的对应关系；通过 Markov boundary 保持损失，尝试在共享表示空间中维持后门、前门及工具变量等因果识别条件。具体损失公式、因果结构先验来源、估计方法及保证成立的假设尚未验证，不能仅凭摘要将其视为普遍的因果不变性保证。 作者报告，在具有已知因果真值的合成实验中，CARL 在条件独立模式保持与结构不确定性下的因果查询可识别性方面达到最先进表现，但摘要未给出指标数值或对照方法。作者还报告，在 Human Phenotype Project 数据上，该方法保留了眼底血管表示与心血管事件之间的因果结构。具体样本、模态配置、数据划分、混杂控制、实验协议、消融及统计信息尚未验证；这些表述不等同于已证实临床因果效应。 平台推测（待验证）：若 EEG 与其他模态共享可检验的因果变量结构，CARL 的条件独立保持与压缩约束可能用于研究跨模态对齐是否损失关键变量。可复用的是约束思路，需改造 EEG 编码、语义相似性定义及因果变量映射；低信噪比、被试差异、通道变化与小数据可能使条件独立估计不稳定。一个可证伪的小实验是在具有已知因果图的模拟 EEG—辅助模态数据上，对比普通对齐与加入 CARL 约束后的条件独立保持和因果查询可识别性，而非仅比较任务预测指标。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 CARL 如何将条件独立与 Markov boundary 保持纳入跨模态表示学习，以及这些约束能否支撑因果查询可识别性；摘要中的理论保证与实验优势尚需全文验证。

  2. OpenReview · Representation learning73

    通过调制表征学习提升开放集识别性能

    基于摘要分析。研究针对开放集识别（OSR）中识别训练类别之外新语义类别的问题，提出以动态温度调度替代固定 logits 温度，使表征学习在实例级特征与类别特异性特征之间逐步转换；其中包括作者提出的 negative cosine schedule。 机制上，作者描述调度在训练初期侧重较少邻居以形成粗略决策边界，随后逐渐关注更多邻居以平滑边界，期望获得更丰富、泛化能力更强的表征。摘要未给出温度函数、取值范围、邻居定义及其与各损失的具体作用关系，这些实现细节尚未验证。与引入正则化或 mix-up 等辅助负样本的路径相比，作者称该调度可并入现有 OSR 损失且不增加计算开销；开销核算范围仍需正文确认。 作者报告，在采用 cross-entropy、contrastive 和 ARPL 损失的多个基线上，新调度在多数情况下同时改善开放集与闭集性能，尤其在更困难的 semantic shift benchmarks 上。摘要未提供数据集、已知类与未知类划分、评价指标或具体数值，因此不能判断提升幅度，也不能比较不同协议下的效果；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务需要拒识训练中未覆盖的语义类别，动态温度可能用于调节表征的局部区分与类内聚合。可复用的是温度调度，需改造的是 EEG 编码器、邻居构造及未知类评估协议；低信噪比、小样本和跨被试差异可能使邻居关系不可靠，并将被试偏移误判为新类别。一个可检验的小实验是在固定 EEG 编码器、损失和类别留出划分下比较固定温度与该调度，分别评估已知类分类和未知类拒识，并核对训练开销。该迁移假设尚无材料内的 EEG 证据，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对温度调度能否作为不同 OSR 损失的低成本改造提升未知类识别，尤其需复现作者报告的语义偏移场景收益及闭集性能变化。

  3. OpenReview · EEG77

    EEG 基础模型值得采用吗？在多种 BCI 任务中与传统解码器的比较评估

    基于摘要分析。该研究考察 EEG 基础模型相较于传统解码方法，尤其是经典非神经网络方法，是否具有稳定优势；核心贡献是跨数据集、解码任务和六种评估协议的比较基准，并引入 ST-EEGFormer 作为预训练基线。 方法方面，ST-EEGFormer 是基于 Vision Transformer（ViT）的时空 EEG 模型，仅使用 masked autoencoding（MAE）在超过 8M 个 EEG 片段上预训练。摘要未提供片段长度、来源构成、预训练与下游数据的关系，以及掩码策略和微调配置，这些复现条件尚未验证。研究覆盖多种 EEG 基础模型、紧凑神经网络与经典非神经网络解码器，并采用统计检验；具体模型、数据集、任务及六种协议的定义未在摘要中列出，不能据此确定其被试内、跨被试或跨会话设置。 作者报告，微调后的基础模型在数据充足、群体层面的评估中表现较好，但在数据稀缺场景下，往往不能显著优于紧凑神经网络，甚至经典非神经网络解码器。作者还报告，线性探测的表现持续偏弱，下游任务之间的性能差异较大，所比较的神经网络解码器未呈现清晰的缩放规律。摘要未给出具体指标、效应量或统计检验细节，因此这些结论不能扩展为所有 EEG 基础模型或所有 BCI 场景的普遍判断。 作者将结果解释为预训练与下游微调之间存在较大落差，复杂预训练任务的收益可能因此被削弱，并指出有未显式揭示的架构因素影响性能。阅读全文时需核对架构因素如何被隔离、预训练和微调贡献如何比较，以及各协议的数据划分、调参预算和统计方法。实验协议、消融及统计信息尚未验证；当前材料支持将其作为 EEG 基础模型收益边界的评估研究，而非认定基础模型无效。

    阅读价值：该研究通过多任务、六种评估协议及统计检验比较 EEG 基础模型与传统解码器，值得核对其数据稀缺场景下的收益边界及预训练与微调贡献的区分。

  4. OpenReview · Representation learning69

    面向医学超声的解剖感知表征学习

    基于摘要分析。研究针对医学超声图像纹理与结构特征独特、诊断依赖专业经验以及大规模数据稀缺的问题，提出自监督表征学习框架 Anatomy-aware Representation Learning（ARL），旨在学习适用于超声诊断的解剖感知特征。 核心方法是引入 anatomy-adaptive Vision Transformer（A-ViT），利用作者提出的大规模医学超声数据集进行参数学习，以获得解剖感知表征。摘要未说明解剖信息如何进入模型、是否需要解剖标注、自监督目标及具体训练与推理流程，因此尚不能判断其相对通用 Vision Transformer 的机制差异，也不能将其等同于某种特定的掩码建模或对比学习方法。 作者报告，在乳腺癌与甲状腺癌相关诊断、心脏切面分类、胆囊肿瘤及 COVID-19 识别等超声任务上，ARL 显著优于现有自监督学习基线。摘要未提供数据集名称、样本规模、划分方式、基线配置、指标或具体数值；实验协议、消融及统计信息尚未验证。复现时需核对预训练数据与下游评估数据的关系、解剖适应组件的实现，以及数据和代码的可用性。 平台推测（待验证）：其可迁移假设是，将领域结构先验纳入自监督表征可能有助于缓解 EEG 通道结构差异与小样本学习问题，但超声空间纹理与 EEG 时序信号的数据结构不同。可考虑复用领域适应的编码器设计思路，需重新构造时序输入与电极空间信息；低信噪比、跨被试差异和缺失通道可能使结构先验失效。待全文明确机制后，可在固定 Cross-subject 划分与训练预算下，对照通用编码器和加入电极结构先验的版本，并测试通道缺失时的表现，以检验这一假设。相关 EEG 工作尚未检索确认。

  5. OpenReview · Representation learning74

    在线表征学习与强化学习的 Stackelberg 耦合

    基于摘要分析。该研究针对 Deep Q-learning 中表征与价值估计相互依赖、随非平稳目标共同变化而产生的训练不稳定问题，提出 Stackelberg Coupled Representation and Reinforcement Learning（SCORER）。其核心贡献是把表征学习与 Q-learning 建模为层级博弈中的两个参与者，通过非对称更新实现稳定的协同适应。 机制上，Q-function 作为领导者，以较低频率更新并承诺其策略；感知网络（编码器）作为跟随者，更频繁地调整表征，在领导者策略固定时降低 Bellman 误差的方差。摘要将两者的目标分别描述为最小化均方 Bellman 误差（MSBE）及其方差，并认为方差降低可减少价值估计偏差。该框架形成双层优化问题，以双时间尺度算法近似求解，有别于整体式网络中的同步参数更新。具体方差估计方式、梯度计算、更新频率及偏差降低所需条件尚未验证。 作者报告，在 DQN 及其变体上的实验表明，收益来自算法机制而非模型复杂度；摘要未提供任务、数据规模、对照配置或具体指标，因此无法判断收益幅度与适用范围。实验协议、消融及统计信息尚未验证，复现还需核对网络配置、优化目标实现和双时间尺度调度。 平台推测（待验证）：若 EEG/BCI 问题被明确建模为序贯决策，该机制可能用于缓解编码器表征变化与自举价值目标相互影响的瓶颈，而不能直接视为 EEG 分类方法。迁移依赖可定义的状态、动作、奖励及离策略数据；可复用双时间尺度更新思路，但需改造 EEG 编码器与任务接口。低信噪比、跨被试或通道差异可能使方差估计不稳，小数据也可能不足以支撑跟随者频繁更新。可在固定被试划分与相同模型容量的 EEG 序贯决策任务中，对照同步更新、仅改变更新频率和完整 SCORER，检验价值误差方差与任务表现是否同步改善。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其将 Q-function 与编码器分工为均方 Bellman 误差及其方差优化、并采用双时间尺度更新的机制，尤其是性能收益能否与更新频率和模型复杂度的影响区分。

  6. OpenReview · Representation learning68

    学习 3D Gaussian Splatting 的统一表示

    基于摘要分析。该研究针对 3D Gaussian Splatting（3DGS）原始参数难以直接作为神经网络特征的问题，提出基于 continuous submanifold fields（连续子流形场）的嵌入表示，旨在保留 Gaussian primitives 的内在颜色与几何信息，并实现唯一映射和通道同质性。 核心问题在于：3DGS 虽可支持高效、显式的三维重建，但其参数化具有非唯一性与异质性。作者认为，直接将原始 Gaussian 参数输入学习框架未能解决这些性质，容易得到高度依赖具体数据的模型。本文的思路是重构输入表示，而非仅依赖下游网络自行适应原始参数；摘要未说明连续子流形场的具体构造、唯一映射的定义及保障方式，也未披露损失函数、训练或推理流程。 作者主张该嵌入有利于 3DGS 学习，但摘要未提供任务、数据集、对照基线或定量指标，因此不能据此判断收益大小及泛化范围。实验协议、消融及统计信息尚未验证；复现还需核对场表示的计算方式、离散化与采样要求，以及相对原始参数输入的计算开销。 平台推测（待验证）：处理输入表示非唯一性与通道异质性的思路可能启发 EEG 表征设计，但当前机制依赖三维 Gaussian primitives 的几何与颜色结构，不能直接等同于 EEG 电极通道及时间序列结构。材料不足以提出可靠的 BCI 迁移方案，已有 EEG 相关工作尚未检索确认。

12月31日周三
  1. OpenReview · EEG69

    用于长序列 EEG 建模的高效自监督框架

    该研究针对 EEG 低信噪比、高被试间差异及 Transformer 长序列建模的计算开销，提出自监督框架 EEGM2，通过结合 Mamba-2 的 U 形编码器—解码器与联合 L1-spectral 损失，兼顾长程依赖建模和时频特征保留。以下基于摘要分析，未取得论文全文。 核心机制方面，摘要称 Mamba-2 的选择性信息传播机制有助于捕获长程依赖，并使框架达到线性复杂度。联合 L1-spectral 损失用于保留时间动态与频谱特征，但其具体形式、权重配置、频谱计算方式及自监督任务构造尚未验证，不能据此认定采用了掩码建模或特定重建协议。U 形结构与 Mamba-2 的具体组合方式也需查阅全文。 结果方面，作者报告 EEGM2 在短序列与长序列建模中达到领先性能，并具备较强的跨被试泛化与跨域迁移能力；同时报告内存占用降低、推理加快。摘要未提供数据集、被试数、序列长度、划分方式、基线、指标或数值，因此这些结论目前只能作为作者报告，不能量化优势，也不能将跨域迁移直接等同于跨数据集评估。实验协议、消融及统计信息尚未验证。 复现时应重点核对：线性复杂度对应的计算范围与实际序列长度；相同硬件、批量大小和精度下的内存与推理开销；跨被试评估中的预训练与下游数据划分；以及 Mamba-2 和 L1-spectral 损失各自的贡献。摘要提供了模型与代码地址，但其可访问性、配置完整性及结果可复现性尚未验证。面向资源受限 BCI 设备的适用性是作者提出的应用判断，实际设备上的延迟、内存和功耗表现仍需核对。

  2. OpenReview · EEG66

    EEG2Mesh：从 EEG 生成高质量 3D 网格

    基于摘要分析。该研究面向从 EEG 重建视觉刺激的 3D 表示问题，提出 EEG2Mesh，将 EEG 编码、2D 图像生成和 3D 网格重建串联，探索从脑信号到三维几何的生成路径。 核心机制：EEG 编码器同时提取时域与频域特征，以增强对复杂、不稳定 EEG 信号的表征；随后，2D 图像生成模块采用两阶段策略，根据 EEG embeddings 重建图像，并将其作为 3D 重建的条件。最后，框架结合多视角扩散模型与稀疏视角重建技术生成 3D 网格。摘要未说明时频特征的具体提取方式、两阶段生成各自的职责、训练损失或各模块的训练与推理配置。 作者报告，该框架能够生成高质量 3D 网格，并缓解复杂背景导致的漂浮伪影（floaters）和云状伪影，同时改善多视角一致性。但摘要未提供定量指标、对照基线或评估协议，因此尚不能判断改进幅度，也不能区分 EEG 条件信息与生成模型先验对重建结果的贡献。作者将该工作定位为 EEG 三维重建的开拓性探索，其优先性尚未检索确认。 复现与核对重点包括：EEG 与视觉刺激的配对方式、数据集和被试构成、被试内或跨被试划分、2D 条件图像与目标 3D 对象的对应关系，以及几何质量和多视角一致性的评价方法。还需核对时频编码、两阶段图像生成及多视角重建模块的独立贡献，尤其关注中间图像误差是否向三维几何传播。实验协议、消融及统计信息尚未验证，代码与模型权重的可用性亦尚未验证。

  3. OpenReview · EEG61

    CSTNet：基于 Optimal Transport 的 EEG 到 ECoG 映射生成框架

    基于摘要分析。该研究针对传统 EEG 逆解中的空间模糊与定位偏差，提出 Cortical Signal Transformation Network（CSTNet），利用 Optimal Transport（OT）将头皮 EEG 电位直接映射为 ECoG 等效皮层信号。核心贡献是以配对 EEG–ECoG 数据的几何对齐构建深度学习映射，而非依赖传统逆解路径。 机制上，作者提出通过 OT 对齐配对信号的几何结构，并声称该过程能够绕过显式噪声建模假设，同时保持皮层信号拓扑。摘要未说明 OT 的代价函数、运输对象、拓扑保持约束、生成机制或网络结构，因此尚不能判断这些主张如何落实到训练目标与推理过程。绕过显式噪声建模也不等于对噪声天然鲁棒。 作者将癫痫手术规划和 BCI 列为潜在应用，但摘要未提供定量结果、对照基线、数据集、被试数量或被试内、跨被试及跨会话划分，尚不能确认其映射精度、泛化能力或临床有效性。“ECoG 等效”是映射目标，不应据此认为输出已达到真实 ECoG 的测量精度。实验协议、消融及统计信息尚未验证。 复现与进一步评估需核对配对 EEG–ECoG 数据的采集和时空配准方式、ECoG 覆盖范围与目标空间定义，以及 OT 对齐和模型训练的具体实现。尤其需要区分信号重建误差、空间定位误差与下游 BCI 性能，避免用单一映射指标替代实际应用验证。

11月27日周四
  1. OpenReview · EEG79

    从少量 EEG 试次估计事件相关电位

    基于摘要分析。研究针对传统 ERP 估计需要平均大量 EEG 试次以降低噪声与信号变异的问题，提出不确定性感知自编码器 EEG2ERP，将任意数量的 EEG 试次映射为对应 ERP，并建模估计的不确定性。 核心机制是使用 bootstrap 构造训练目标，并引入独立的方差解码器描述 ERP 估计的不确定性。摘要未说明可变试次数输入如何组织、具体损失函数、网络结构及方差输出的校准方法，这些实现细节尚未验证。作者声称这是首个将 EEG 信号映射为对应 ERP 的深度学习方法；该优先性声明尚未独立检索确认。 评估采用面向新被试泛化的零样本场景，即 Cross-subject 评估，涉及三个公开数据来源：ERP CORE，包含来自 40 名被试、覆盖六种 ERP 范式的超过 50,000 个 EEG 试次；P300 Speller BCI 数据集；以及同时包含 EEG 与 MEG 的面孔感知神经成像数据集。摘要未交代各数据源的训练与测试划分，也未说明面孔感知数据中 MEG 的具体使用方式，不能据此认定采用了 EEG–MEG 联合建模或 Cross-dataset 评估。 作者报告，在上述新被试零样本评估的少试次条件下，EEG2ERP 持续优于常规平均和稳健平均方法，但摘要未提供误差指标、具体试次数、效应大小或统计信息。这一结果支持进一步核查其减少 ERP 研究试次需求的潜力，不等同于已验证 P300 在线分类性能或临床效用。 复现可从材料提供的 EEG2ERP 代码仓库入手，重点核对 ERP 参考目标的构造、bootstrap 采样流程、被试划分、不同试次数下的比较，以及方差预测与实际估计误差是否一致。实验协议、消融及统计信息尚未验证。

    阅读价值：值得关注 EEG2ERP 如何结合 bootstrap 训练目标与独立方差解码器，在新被试零样本条件下估计少试次 ERP；其误差优势及不确定性校准仍需核对全文与代码。

9月23日周二
  1. OpenReview · Representation learning75

    关系表征学习

    基于摘要分析。该研究提出 Relational Representation Learning（RRL），将表征学习统一描述为关系图估计问题：不再孤立地处理样本，而是通过样本间的成对关系定义学习目标，并由编码器产生的嵌入估计关系图、最小化其与指定目标图的差异。 核心贡献是把自监督、半监督与监督学习目标纳入同一数学框架。作者据此分析自监督学习中的收敛缓慢、性能差异，以及 projector 与 backbone 的准确率差距，并讨论辅助投影头的作用。摘要未给出关系图的具体构造、差异度量、损失形式或训练流程，这些实现细节尚未验证。 作者报告，在其所用实验设置中，提高图内关系的丰富度能够加快收敛并改善下游表现。摘要未提供数据集、划分、对照基线、指标数值或关系丰富度的操作定义，因此目前无法判断改善幅度与适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 样本之间能够定义可靠的任务相关关系，RRL 或可用于研究跨被试表征中任务信息与个体差异的分离。其迁移依赖可用的成对关系或监督信息，以及足够稳定的图估计；可复用的是目标图与嵌入关系匹配的思路，需改造 EEG 编码器、关系构造及通道对齐方式。低信噪比可能使图主要反映伪迹，被试与通道差异可能主导样本关系，小数据则可能导致关系估计不稳定。一个可证伪的小实验是，在固定 EEG 数据划分、编码器与训练预算下，比较原有预训练目标和 RRL 目标，并逐步改变关系丰富度，观察收敛速度与同一跨被试协议下的下游指标是否同步改善。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其将多类预训练目标统一为关系图估计的形式化框架，并核对关系丰富度如何影响收敛与下游表现；这些结论在 EEG 场景中的适用性尚未验证。

  2. OpenReview · EEG67

    NEUROSKY–EPI：首个开放的单电极癫痫 EEG 数据集及情境感知建模与临床依据元数据

    基于摘要分析。研究面向消费级单电极设备上的癫痫 EEG 分析，提出 NEUROSKY–EPI 数据集，并评估 EEGNet 跨数据集应用及情境信息增强。作者称其为据其所知首个开放的单电极癫痫 EEG 数据集，该优先性尚未独立验证。 数据由 NeuroSky MindWave Mobile 2 采集，包含 25 名患者的 2,032 个带标签的 1 秒窗口，并附有癫痫发作类型、抗癫痫药物、共病、用药依从性、教育和社会经济状况等元数据。摘要未明确窗口标签的具体定义、类别分布及采集条件。 评估方案是在 CHB–MIT 的 24 名患者、12,009 个 8 秒片段上训练 EEGNet，仅使用 Fp1 通道以匹配消费级设备的单导联设置，再直接在 NEUROSKY–EPI 的频带功率特征上评估。作者报告，该跨数据集设置的测试 Accuracy 约为 60%；加入由自编码器生成、概括静息↔清醒响应性的 16 维情境向量后，Accuracy 约为 68%。两者相差约 8 个百分点，但训练输入与目标频带功率特征如何对齐、不同窗口时长如何处理，以及患者级数据划分均尚未验证。 作者还报告，EEGNet 倒数第二层的患者级嵌入在加入情境后具有更强的无监督可分性，KMeans 对应数值由 54.17% 升至 66.67%；摘要未说明该数值的具体指标定义，不能等同于测试 Accuracy 或临床诊断性能。 作者表示将发布去标识化数据、代码及数据集／模型卡，目前不能据此确认已开放下载。复现应核对情境向量的来源及训练范围、元数据在推理时的可得性、评估划分与标签定义；实验协议、消融及统计信息尚未验证。该摘要支持对低计算量单电极分析可行性的初步研究，不构成临床有效性验证。

  3. OpenReview · EEG72

    EEG 基础模型：当前进展与未来方向的批判性综述

    基于摘要分析。本文关注自监督 EEG 基础模型（EEG-FMs）能否支持稳健、可扩展的 EEG 特征提取，以及现有证据是否足以判断其真实应用准备程度。作者对十个早期第一代 EEG-FMs 进行批判性综述，围绕原始输入数据表示、自监督表征学习和评估策略三个维度，综合方法趋势、实证发现与待解决问题。 在方法层面，作者指出，现有 EEG-FMs 的模型架构与自监督方式大量借鉴语言和视觉领域。摘要未列出纳入综述的模型名称，也未展开各模型的输入组织、学习目标、训练数据规模或适用任务，因此不能据此判断具体技术路线的优劣。 在评估层面，作者报告，现有 EEG-FMs 的评估具有异质性且总体受限，难以据此判断模型开箱即用的实际价值。这是综述作者对所纳入工作的综合判断，不等于所有 EEG-FMs 均缺乏实用性，也不能替代在具体任务和数据划分下的验证。摘要未提供性能数值、对照基线或被试内、跨被试、跨会话及跨数据集协议，具体评估结论与证据覆盖范围尚未验证。 作者建议未来采用标准化且贴近真实使用条件的评估，展示实质性的规模扩展效应，并在 EEG-FM 全流程中作出有原则、可信赖的方法选择；同时与领域专家合作发展基准、软件工具、技术方法及临床和科学应用。这些是研究方向建议，而非已证实的性能或临床收益。 阅读全文时宜核对十个模型的纳入标准、文献覆盖范围、不同评估协议的可比性，以及规模扩展效应和可信赖性所对应的具体证据。实验协议、消融及统计信息尚未验证。本文提供的是综述性分析框架，而不是新模型发布或临床验证。

    阅读价值：该综述从输入表示、自监督学习与评估策略三个环节审视早期 EEG 基础模型，值得用于核对现有模型的开箱即用证据与评估可比性，但具体比较结论仍需全文验证。

9月20日周六
  1. OpenReview · Representation learning55

    性能增强的聚合表征学习

    基于摘要分析。该研究针对单一表征学习方法难以持续覆盖下游任务所需信息的问题，提出广义模型平均框架，通过为多种表征分配最优权重来整合不同表征学习技术。作者报告，该方法兼具数值效率与理论保证，但摘要未说明具体效率指标、最优性的定义及适用条件。 核心机制是多表征加权聚合，而非仅依赖一种表征。需进一步核对权重如何求解、优化目标与下游任务的关系，以及不同表征的维度和尺度如何对齐；理论保证究竟针对何种风险、数据分布或渐近条件也尚未验证。摘要未提供数据集、数据划分、对照方法或定量结果，实验协议、消融及统计信息尚未验证，因此不能据此判断相较单一表征或常规集成的实际增益。 平台推测（待验证）：若不同 EEG 表征包含互补信息，该加权聚合机制可能用于缓解单一特征对低信噪比与跨被试差异的敏感性。可复用的是聚合与权重优化思路，需改造的是 EEG 表征接口、尺度处理及权重估计协议；其对监督信息和样本规模的依赖尚不明确。潜在失败原因包括表征高度相关、小数据下权重过拟合，以及跨被试分布变化使训练阶段的最优权重失效。一个可证伪的小实验是在固定 Cross-subject 划分下，仅用训练与验证数据估计权重，对比最佳单一表征、等权聚合与该框架，并保持下游分类器及调参预算一致。已有 EEG 相关工作尚未检索确认。

9月19日周五
  1. OpenReview · Representation learning72

    采用空间性保持表征的 EEG 信号自监督学习

    基于摘要分析。该研究针对 EEG 自监督学习中输入电极与表征之间的一一对应关系未被充分保留、可能导致空间信息丢失的问题，提出 Spatiality Preserving Representation（SPR）Learning。其核心贡献是通过 coherence 伪标签预测任务学习空间关系，将 EEG 空间组织信息纳入自监督表征学习。 机制方面，作者将 SPR 与依赖重建或采用独立编码器进行时间预测的方法作对照，主张 coherence 伪标签能够引导模型理解脑信号的拓扑组织。摘要未说明 coherence 的计算方式、伪标签构造、预测对象、损失函数，以及电极—表征对应关系的具体保证机制；这些是判断方法能否真正保留空间信息、而非仅学习相关性模式的关键核对点。 结果方面，作者报告在不同数据集上的微调提升分别为 4.7%、9.7%、1.6% 和 15.6%，并称优于现有先进方法。但摘要未提供数据集名称、下游任务、指标、对照方法或被试内／跨被试等划分协议，也未说明这些百分数是相对提升还是百分点差值，因此不能据此比较不同数据集上的效果。实验协议、消融及统计信息尚未验证。 作者认为所学表征能够捕捉 EEG 的时空动态，并为功能连接分析与自监督表征学习建立联系；摘要尚不足以确认其脑区关系解释能力。复现时需取得全文中的电极布局与预处理要求、伪标签生成流程、预训练和微调设置，并核对空间信息保留的直接证据及对通道配置变化的适用范围；代码与数据可用性尚未验证。

    阅读价值：值得核对其 coherence 伪标签预测如何保持电极与表征的一一对应关系，以及微调收益是否来自空间信息保留；摘要提供了明确的机制方向，但具体实现与评估协议尚未验证。

  2. OpenReview · EEG71

    stLaBraM：采用因子化时空片段嵌入进行自监督学习的可解释 EEG 基础模型

    基于摘要分析。该研究针对 EEG 基础模型在自监督掩码建模中难以兼顾性能与可解释性的问题，提出 stLaBraM，在 patch embedding 模块中引入可解释的空间与时间滤波，以改善 EEG 表征学习，并分析与掩码建模相关的神经源特征。 机制与创新：标题将方法概括为因子化时空片段嵌入，摘要明确的改动集中在空间、时间滤波及其可解释性，而非仅报告下游分类性能。作者将原始 LaBraM 作为对照，讨论自监督预训练的重建损失及 masked language model（MLM）表现。因子化的具体实现、滤波器约束、掩码策略、重建目标和损失形式尚未验证。 结果：作者报告，相较 LaBraM，该方法在自监督预训练中显著降低重建损失，并在标准 EEG 分类基准上取得更好的表现；摘要未提供数据集名称、评价指标、数值、数据划分或被试内、跨被试等协议，因此目前不能判断增益幅度及其适用范围。作者还报告，模型能够提供与自监督掩码建模相关的神经源二阶动力学性质和皮层位置的解释，但这些解释的计算方式、定位依据与验证程序尚未明确。 验证与复现：阅读全文时应重点核对时空滤波如何分解、如何从滤波器得到神经源解释，以及预训练数据、模型规模和下游评估条件是否与 LaBraM 对齐。还需核对重建损失改善与分类增益之间的关系，以及解释结果对被试差异、通道配置和噪声的稳定性。实验协议、消融及统计信息尚未验证，代码、权重和复现条件亦未由所给材料确认；摘要中的临床应用动机不能视为已完成临床验证。

    阅读价值：值得阅读的具体原因是其将可解释的空间与时间滤波引入 EEG 基础模型的 patch embedding，并以 LaBraM 为对照讨论重建与分类表现；性能增益及神经源解释的可靠性仍需全文验证。

  3. OpenReview · Representation learning71

    FORLA：基于 Slot Attention 的联邦对象中心表征学习

    基于摘要分析。FORLA 面向异质、无标签视觉数据上的联邦表征学习，尝试在保留跨客户端共同信息的同时解耦域特有因素。其核心贡献是协同训练共享特征适配器与共享 slot attention 模块，将基础模型特征适配与对象中心表征学习结合起来。 机制上，共享适配器负责转换基础模型提供的特征，slot attention 模块学习重建适配后的特征，并承担跨客户端对象级表征对齐。为优化适配器，作者设计了双分支 student–teacher 架构：各客户端的 student decoder 重建基础模型的完整特征，teacher decoder 重建适配后的低维特征。摘要未给出具体损失形式、教师更新方式、联邦聚合策略或基础模型配置，这些实现条件尚未验证。 作者报告，在多个真实世界数据集的对象发现任务中，FORLA 优于集中式基线，并学得紧凑、可跨域泛化的表征。但摘要未提供数据集名称、客户端划分、评价指标、数值结果及基线配置，因而无法判断优势出现的具体条件，也不能据此认定其在所有联邦设置下优于集中式训练。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，共享适配器可缓解不同被试或采集域的特征差异，slot attention 可用于提取跨域共有的潜在成分。原方法依赖基础模型特征及视觉对象结构；EEG 中是否存在可稳定分离、对齐的对应成分尚不明确。可复用部分是共享适配与潜在成分重建，需改造 EEG 特征编码、时空位置表示及客户端划分。低信噪比、通道不一致和小数据可能使 slot 聚合噪声或被试特有因素，而非任务相关成分。一个可检验的小实验是在固定 EEG 编码器和相同 Cross-subject 划分下，对比共享适配器单独使用与加入 slot attention 的方案，核对跨被试表现及成分稳定性；这不是已验证的 BCI 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 FORLA 将共享特征适配器、无监督 slot attention 与双分支 student–teacher 重建结合，用于异质客户端间的对象级表征对齐，但其优于集中式基线的条件及向 EEG 迁移的可行性尚未验证。

  4. OpenReview · Representation learning75

    基于测度论的反因果表示学习

    基于摘要分析。本文研究标签导致特征、而非特征导致标签的反因果表示学习问题，提出测度论框架 Anti-Causal Invariant Abstractions（ACIA），旨在学习能跨环境变化保持稳定的表示，并为分布外泛化提供理论保证。 核心机制是两级表示：低层表示刻画标签如何生成观测，高层表示学习环境特异变化下的稳定因果模式。作者称，ACIA 通过干预核容纳完美与不完美干预，不依赖显式因果结构，并可处理高维数据。摘要未给出两级表示的具体实现、优化目标、训练流程，以及干预核所需的监督和环境信息，这些条件尚未验证。 作者报告，在合成数据和真实医学数据上的实验中，ACIA 在 Accuracy 与不变性指标方面优于其所比较的方法；但摘要未提供数据集名称、划分协议、基线、指标定义或具体数值，无法判断优势大小及适用范围。作者还报告训练环境与未见环境之间性能差距的紧界，其成立假设、界的形式及与实验的对应关系需查阅全文。实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但代码内容、运行条件和结果可复现性尚未核验。 平台推测（待验证）：若 EEG 任务可合理建模为任务标签影响观测信号，而被试或会话引入环境变化，ACIA 的低层生成关系与高层不变性设计可能对应跨被试、跨会话分布偏移。该迁移依赖反因果假设及环境信息是否成立；可研究复用两级抽象和干预核思想，但 EEG 时序编码、通道对齐及环境定义需改造。低信噪比、小样本和被试生理差异可能使稳定因素难以识别，或使不变性约束压制有效判别信息。一个可检验的小实验是在同一 EEG 数据集固定跨被试划分与编码器，比较加入 ACIA 机制前后的留出被试 Accuracy 及预先定义的不变性指标，所有模型选择仅使用训练被试。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 ACIA 如何通过干预核与两级表示定义跨环境不变性，以及其泛化界的适用假设；这些机制为 EEG 域泛化提供了可研究的思路，但迁移有效性尚未验证。

  5. OpenReview · Representation learning74

    面向定制任务的条件表征学习

    基于摘要分析。该研究针对通用表征偏向主导语义、难以匹配用户定制任务的问题，提出 Conditional Representation Learning（CRL），利用用户指定的语义准则构造条件特征空间，并将图像表示投影到该空间，为定制分类与检索任务提供表征。 核心机制：作者提出，特征空间的语义由其基决定，因此可用一组描述性词语近似定制空间的基。CRL 先通过大语言模型（LLM）生成与用户准则相关的描述文本，再借助视觉语言模型（VLM）将图像表示投影到相应条件空间。摘要以动物栖息地分析为例，说明任务需要场景特征，而通用嵌入可能更强调类别语义。其方法侧重按准则调整表示空间，而非直接依赖监督微调；是否完全免训练、如何构造和规范化语义基、具体投影公式及计算成本尚未验证。 作者报告，分类与检索实验支持 CRL 的优越性和通用性，但摘要未提供数据集、划分、对照方法或具体指标，暂不能判断收益幅度及适用边界。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库地址，但实现细节、模型依赖和复现条件尚未核查，亦不能由仓库名称推断论文接收状态。 平台推测（待验证）：该机制可能为 EEG 中“通用表征未保留目标任务信息”的问题提供思路，但原方法依赖图像与文本之间的语义对齐，不能直接视为 EEG 方法。假设已有 EEG 编码器可与任务描述建立可靠对齐，可复用文本准则生成与条件投影思路，需改造信号编码和跨模态对齐模块。低信噪比、跨被试或通道差异，以及小数据条件下的对齐不稳定，可能使文本基无法对应可解码的神经特征。一个可检验的小实验是在固定的跨被试划分下，对同一冻结 EEG 表征比较原始表示、真实任务文本条件投影与打乱文本条件投影，检查增益是否确由任务语义带来。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 CRL 如何用文本构造条件语义基并投影图像表示，以缓解通用表征与定制任务的语义错配；其对 EEG/BCI 的适用性尚未验证。

  6. OpenReview · State space models72

    DAMamba：采用动态自适应扫描的视觉状态空间模型

    基于摘要分析。该研究针对视觉状态空间模型（SSMs）将图像块按人工设计的路径展平为序列时，可能破坏语义空间邻接关系、难以适应复杂图像结构的问题，提出 Dynamic Adaptive Scan（DAS），并据此构建视觉骨干 DAMamba。其核心贡献是以数据驱动方式自适应分配扫描顺序与区域，而非依赖固定的局部或全局扫描路径。 机制与结果：作者称 DAS 在增强建模灵活性的同时，保持线性计算复杂度与全局建模能力。作者报告，DAMamba 在图像分类、目标检测、实例分割和语义分割任务中优于多种常用视觉 Mamba 模型，并超过部分近期先进 CNNs 与 ViTs。摘要未给出对应数据集、数据划分、基线配置或具体指标，因此不能量化提升或确认不同模型间的比较条件。扫描分配的实现、训练监督、损失、复杂度计算口径，以及实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 DAS 能在 EEG 通道拓扑或时频表示上学习有意义的遍历顺序，它可能缓解固定序列化方式对空间关系的扭曲；但图像块的二维邻接与 EEG 电极布局及信号相关性并不等价。可考虑复用自适应扫描思路，需改造输入表示、位置关系和扫描约束。其所需训练规模及监督条件尚未验证；低信噪比、小数据、跨被试差异和通道布局变化可能导致扫描策略不稳定或过拟合。 一个可证伪的小实验是：在同一 EEG 任务、固定数据划分与训练预算下，对比固定扫描和 DAS，使用相同骨干与预处理，分别评估被试内和跨被试表现，并观察通道扰动后的性能与扫描稳定性。这仅是迁移假设，不是已验证的 BCI 结果；已有 EEG 相关工作尚未检索确认。复现仍需全文中的扫描算法、训练配置和实现细节。

    阅读价值：值得核对 DAS 如何学习扫描顺序与区域，以及其线性计算复杂度和视觉任务收益的验证方式；摘要尚不足以确认其对 EEG 空间关系建模的适用性。

  7. OpenReview · Representation learning77

    GLIM：面向混合整数线性规划的可泛化学习表示

    基于摘要分析。该研究针对混合整数线性规划（MILP）的学习方法难以泛化至训练分布之外或不同任务的问题，提出通用嵌入模型 GLIM（Generalizable Learning Representation for MILPs），旨在让不同 MILP 类别和下游任务共享表示。 核心机制是将每个 MILP 实例编码为二部图，通过结合 GNN 模块与 Perceiver-like blocks 的混合架构处理。作者以问题类型与问题规模是相互正交、其交互影响经验求解难度这一观察为动机，学习旨在解耦类型、规模与求解复杂度的联合表示。摘要称训练语料包含约 78,000 个实例，覆盖 2,000 个问题类别；图特征、解耦约束、损失函数、监督信号及训练细节尚未验证。 作者在 MILP Instance Retrieval 与 MILP Solver Hyperparameter Prediction 两项任务上评估表示质量。作者报告，在分布内和分布偏移设置中，包括真实世界 MIPLIB 基准，GLIM 在多数情况下优于强基线，并能迁移至新类别与新规模。摘要未提供具体指标、提升幅度、基线名称或划分方式，因此不能据此量化优势；实验协议、消融及统计信息尚未验证。复现需进一步核对训练语料构成、训练与测试类别及规模的隔离方式，以及两项任务的评价标准。 平台推测（待验证）：其潜在 BCI 关联更偏向优化环节，而非直接处理 EEG。假设电极选择或资源调度能够明确表述为 MILP，GLIM 的实例编码与求解器超参数预测模块可能可复用，但需适配变量、约束与目标的图特征，并核查训练语料是否覆盖相应问题结构。EEG 低信噪比和跨被试变化可能使优化输入不稳定；通道规模变化及少量可用实例也可能削弱迁移。一个可检验的小实验是在固定的电极选择 MILP 集合上，比较 GLIM 预测超参数与默认求解器配置的求解时间及解质量，并单独保留未见通道规模作为测试条件。此为迁移假设，不是论文已验证结果；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其如何将 MILP 的问题类型、规模与求解复杂度纳入可复用表示，并核对分布偏移下实例检索与求解器超参数预测的泛化证据；其对 EEG/BCI 的价值尚未验证。

9月16日周二
  1. OpenReview · Representation learning65

    用于异质图表示学习的双视图对比学习框架

    基于摘要分析。该研究针对异质图表示学习难以同时捕获长程语义依赖与局部结构模式的问题，提出 Dual-View Contrastive Learning（DVCL），通过结构视图、语义视图及动态双向对比学习获得互补表示。 结构侧的 Graph Schema View Module（GSVM）使用关系图神经网络，以类型感知消息传递和自适应残差连接建模结构依赖。语义侧的 Semantic Meta-Path Mamba Module（SMPMM）采用全局增强的 Mamba 骨干，并结合多分辨率融合与方向位置编码捕获高阶语义依赖。两种视图互为可学习增强，通过动态双向对比学习整合。摘要未提供具体损失形式、视图构造细节、动态更新机制及训练配置，相关实现尚未验证。 作者报告，在四个数据集的分类与聚类任务上，DVCL 一致优于所比较的当前先进方法。摘要未列出数据集名称、划分协议、对照方法或具体指标，因此无法判断优势幅度与适用范围；实验协议、消融及统计信息尚未验证。复现时需核对元路径的选择方式、各模块的独立贡献，以及长程建模带来的计算开销。 平台推测（待验证）：若将 EEG 通道、频段及其关系构造成异质图，可假设类型感知消息传递适合整合不同关系，语义视图则可能建模跨通道或跨频段的高阶关联。可复用双视图整合思路，但节点类型、元路径与方向编码须依据 EEG 数据重新定义，不能直接把图上的长程语义等同于 EEG 时间依赖。低信噪比、跨被试关系漂移、通道差异及小数据规模可能使构图误差被放大，或导致对比学习过拟合。一个可检验的小实验是在固定 Cross-subject 划分下，对照结构视图单独使用与双视图联合使用，并保持输入、分类器及训练预算一致；以上不构成已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。

  2. OpenReview · State space models70

    HG-Mamba：用于腹腔镜图像去烟的启发式引导状态空间模型

    基于摘要分析。该研究针对腹腔镜手术烟雾遮挡导致的图像可见性下降，提出 Heuristic-Guided Mamba（HG-Mamba），通过空间上下文自适应建模与频域表征增强改进图像去烟；这是一项手术图像恢复研究，并非 BCI 临床验证。 作者认为，Mamba 的顺序状态转移限制了空间相关性建模，而其前馈层缺乏频率特征建模机制。HG-Mamba 包含两个核心组件：Heuristic-Guided State Space Model（HG-SSM）采用输入引导的动态采样与灵活状态融合，以适应不同空间上下文；Frequency Refine Feed-Forward Network（FR-FFN）采用多频带分解与自适应加权，增强频域表征。摘要未提供采样规则、状态融合公式、频带划分、损失函数及训练细节。 作者报告，HG-Mamba 在合成及真实烟雾／无烟图像数据集上优于所比较的先进方法，但摘要未给出数据集名称、划分方式、评价指标、数值或具体基线，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。作者表示将公开代码，当前材料不足以确认代码已发布。 平台推测（待验证）：假设其输入自适应状态建模与频带加权机制可迁移至 EEG，潜在对应问题是时空依赖变化与频带信息选择，但原任务依赖二维图像空间结构及烟雾／无烟数据，不能直接等同于 EEG 的通道拓扑、时间结构或监督方式。可考虑复用频带加权思路，动态采样和状态融合则需适配电极布局与时序约束；低信噪比可能使自适应权重追随伪迹，跨被试频谱差异、通道变化与小数据也可能削弱泛化。一个可检验的小实验是在固定 Cross-subject 划分的 EEG 任务中，对比原始 Mamba 与仅加入 FR-FFN 思路的版本，保持预处理、训练预算和评价指标一致，检验频域改造是否稳定获益。相关 EEG 工作尚未检索确认。

  3. OpenReview · EEG78

    ELASTIQ：通过语义任务指令与查询实现 EEG–语言对齐

    ELASTIQ 针对 EEG 基础模型难以将语言指令作为表征学习先验、进而统一不同标签与任务的问题，提出结合谱–时域预训练和指令调优的 EEG–语言对齐方法。基于摘要分析，未取得论文全文，其核心贡献是将任务语义指导引入 EEG 表征，使 EEG 嵌入与文本标签嵌入对齐。 预训练阶段采用联合 Spectral–Temporal Reconstruction（STR）模块：频率掩码作为全局频谱扰动，配合两种时间目标，其中随机掩码用于捕捉上下文依赖，因果掩码用于建模序列动态。摘要未披露具体重建目标、损失组合或掩码比例。指令调优阶段采用 Instruction-conditioned Q-Former（IQF），这是基于查询的交叉注意力 Transformer，通过可学习查询将指令嵌入注入 EEG tokens，并与文本标签嵌入对齐。该机制区别于仅学习 EEG 表征的思路，但各模块的独立贡献仍需结合正文消融核对。 作者报告在涵盖运动想象、情绪识别、SSVEP、covert speech 和医疗健康任务的 20 个数据集上进行评估，其中 14 个数据集达到作者所称的最先进表现，并在全部五类任务中获得最佳平均结果。摘要未给出数据集名称、被试数、数据划分、被试内或跨被试等协议、对照方法及具体指标，因此这些结果不能直接用于判断跨被试、跨会话或跨数据集泛化能力。 作者还报告，分析支持显式任务指令作为语义先验，引导 EEG 嵌入形成连贯且具有语言语义基础的空间，并将这一观察称为首次发现；该优先性与证据强度尚未核对。值得进一步检查语义空间分析的量化依据、指令措辞敏感性，以及未见任务或标签条件下的泛化表现。实验协议、消融及统计信息尚未验证。作者表示将发布代码与预训练权重，摘要并未确认其已公开，当前复现条件仍待核实。

    阅读价值：值得核对 STR 预训练与 IQF 指令调优如何实现 EEG–语言对齐，尤其是显式任务指令相较无指令对照是否改善跨任务语义组织与解码表现；具体实验协议及消融尚未验证。

9月15日周一
  1. OpenReview · State space models75

    SF-Mamba：重新思考面向视觉的状态空间模型

    基于摘要分析。该研究针对视觉 Mamba 中单向递归扫描限制图像 patch 非因果交互、多扫描策略引入数据重排开销，以及短 token 序列下计算速度较慢的问题，提出视觉编码器 SF-Mamba，试图同时改善信息交互与计算效率。 核心机制包括两项设计：通过辅助 patch 交换，在单向扫描下编码双向信息流；通过 batch folding 与周期性状态重置，提升 GPU 并行性。摘要未给出 patch 交换规则、batch folding 的具体张量组织、状态重置周期及其对上下文保留的影响，因此这些实现细节尚未验证。其创新重点是重新设计扫描与执行方式，而非仅增加扫描方向。 作者报告，在图像分类、目标检测、实例分割和语义分割实验中，SF-Mamba 相比作者所称的最先进基线取得更好的任务表现，并在不同模型规模下提高吞吐量。摘要未提供数据集、指标数值、基线名称、硬件、batch size 或吞吐量测量条件，无法据此量化收益或判断公平比较；实验协议、消融及统计信息尚未验证。材料称代码将在发表后发布，当前代码可用性与论文发表状态不能由此推定。 平台推测（待验证）：该方法原本依赖图像 patch 序列及 GPU 批处理结构，其扫描效率设计可能为短序列 EEG 编码提供参考，但不构成已验证的 BCI 效果。迁移假设是，辅助 token 交换能够改善 EEG 时间窗或通道 token 的信息交互；需改造 patch/token 构造与交换规则，并检查周期性状态重置是否损失跨窗依赖。低信噪比、跨被试差异、通道排列变化及小数据训练可能削弱收益。可在固定 EEG 数据划分与同一硬件、batch size 下，对照普通单向扫描，分别加入交换和状态重置，比较任务指标与吞吐量；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 SF-Mamba 如何以辅助 patch 交换和周期性状态重置兼顾信息交互与 GPU 吞吐量，但其相对基线的效果及迁移至 EEG 的适用性尚未验证。

9月11日周四
  1. OpenReview · EEG78

    EEG-X：设备无关且噪声鲁棒的 EEG 基础模型

    基于摘要分析。EEG-X 针对记录设备与配置差异导致的跨数据集变化，以及 EEG 低信噪比问题，提出结合通道空间位置编码、噪声感知掩码重建和特征空间重建损失的 EEG 基础模型，旨在学习更具跨域适应性与噪声鲁棒性的表征。 核心机制包括三部分：其一，基于位置的通道嵌入编码空间信息，使模型能够处理不同通道数量、通道组合和记录长度。其二，在原始空间与潜在空间采用噪声感知掩码—重建策略；与重建原始含噪 EEG 的做法不同，重建目标来自伪迹去除后的信号，作者意图借此使表征更关注神经活动而非噪声。其三，dictionary-inspired convolutional transformation（DiCT）层在计算重建 MSE 损失前，将信号投影至结构化特征空间；作者认为该设计可降低噪声敏感性，并捕捉频率与波形形状相关的相似性。具体去伪迹流程、掩码规则、DiCT 实现及各目标的组合方式尚未验证。 作者报告，在来自不同设备的数据集及多个下游 EEG 任务上，EEG-X 优于所比较的现有先进方法，并在预训练与下游数据电极布局不同的跨域设置中表现突出。摘要未提供数据集名称、任务明细、被试数量、划分方式、指标或数值，因此不能据此量化收益，也不能将这里的跨域结果直接等同于跨被试或跨会话性能。 复现时值得核对位置嵌入对通道坐标的依赖、去伪迹处理是否保留任务相关信号，以及各模块在不同设备与电极布局下的独立贡献；这些属于待核对事项，而非已确认的缺陷。摘要提供了模型与代码入口，但其可用性、训练配置、实验协议、消融及统计信息尚未验证。

    阅读价值：值得核对和复现的是 EEG-X 将位置编码、去伪迹重建目标与 DiCT 特征空间损失结合，以应对电极布局差异和低信噪比；作者报告的跨域优势仍需结合完整实验协议验证。

9月6日周六
  1. OpenReview · Representation learning79

    可证明地学习任务相关的世界表征

    基于摘要分析。该研究探讨如何从观测 o = f(s) 中识别任务相关潜在表征，核心贡献是在非参数设定下，分别给出跨时间步任务结构与单个时间步内任务相关表征的可辨识性保证。这里的可辨识性指渐近条件下恢复真实表征的理论保证，不等同于有限数据下的预测性能。 作者报告，第一项理论结果可在完全无监督条件下识别时间步与任务之间的结构，允许序列不具有严格时间依赖、存在断连，以及任务分配具有复杂交错结构。第二项结果表明，借助简单的稀疏正则化，可在每个时间步内将任务相关潜在表征与无关部分解耦，无需额外信息或参数化约束。两项结果构成分层框架：先识别跨时间步的任务结构，再识别步内的任务相关表征。作者将其描述为迈向可证明地从通用模型转向专用模型的一步，并声称据其所知，两项结果各自提供了首个一般非参数可辨识性保证；这些优先性声明尚未独立核对。 摘要未提供定理的完整前提、可辨识性的等价范围、稀疏正则化的具体形式或可实施训练流程。实验协议、消融及统计信息尚未验证，不能据此判断实际恢复精度、样本需求或计算代价。 平台推测（待验证）：假设 EEG 观测中存在可与任务无关活动分离的潜在因素，该分层思路可能对应 EEG 中任务信号与背景活动混杂、跨被试表征不稳定的问题。可借鉴的是结构识别与相关／无关因素分离的理论框架；观测映射、噪声模型、任务结构和稀疏条件则需针对 EEG 核对或改造。低信噪比、被试差异、通道混合及小数据可能使有限样本恢复失效。一个可证伪的小实验是在已知潜在因素与任务结构的合成 EEG 类混合信号上，改变噪声和任务交错程度，比较采用与不采用稀疏正则化时的因素恢复能力；这仅是迁移假设检验，不是已验证的 BCI 效果。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其跨时间步任务结构与步内任务相关表征的分层可辨识性论证，重点核对非参数假设、稀疏正则化条件及可辨识性的等价范围；其对 EEG 表征学习的适用性尚未验证。

9月3日周三
  1. OpenReview · State space models63

    对数正态状态空间模型

    基于摘要分析。该研究针对状态空间模型（SSM）的状态更新特征表达能力弱于 Transformer 自注意力的问题，提出 Log-Normal State-Space Model，目标是在保留线性时间效率的同时，使状态更新特征接近自注意力的表达能力。 作者将 SSM 的长序列处理优势归因于线性时间复杂度与状态保留机制，并提出通过新架构兼顾计算效率和记忆能力。不过，摘要未说明“Log-Normal”如何参与状态更新，也未披露具体参数化、损失函数、训练或推理流程，因此目前不能判断其增强表征的技术路径。 作者声称该架构能够兼顾效率与记忆增强，但所给材料未提供任务、数据集、数据划分、对照基线或量化结果。表达能力是否接近自注意力、复杂度成立的条件，以及实际运行时间和内存开销，均需结合全文核对；实验协议、消融及统计信息尚未验证。摘要提供了匿名代码地址，但实现内容、运行依赖与复现条件尚未验证。 平台推测（待验证）：其研究目标与长时程 EEG 序列建模存在潜在关联，但摘要尚未提供足够明确的机制路径，不能据此认定适用于 EEG/BCI。低信噪比、跨被试差异及小数据条件下的适用性仍待评估，已有 EEG 相关工作尚未检索确认。

7月13日周日
  1. OpenReview · Representation learning60

    知识图谱增强的 DNA 表征学习

    基于摘要分析。研究针对 DNA 预训练模型主要依赖核苷酸序列自监督学习、难以利用专家整理的结构化知识这一问题，提出 Knowledge Graph-Augmented DNABERT（KGA-DNABERT），在 DNABERT-2 的掩码语言建模（MLM）目标之外引入知识图谱（KG）建模。其贡献包括探索序列表征与知识图谱嵌入的结合，并报告这一尝试在所测试知识图谱上的收益有限。 方法上，作者从人类基因组数据库 GenomicKB 提取事实三元组以构建 KG，并纳入六种常用 KG embedding 方法，尝试补充序列层面之外的知识。摘要未列出这些方法的名称，也未说明三元组与序列的对齐方式、目标组合形式及训练流程，因此尚不能判断知识通过何种具体路径影响 DNA 表征。 结果方面，作者报告，在本文测试的 KG 条件下，加入知识图谱未带来实质性收益；摘要没有提供任务、指标、划分协议或数值。作者将这一结果归因于所构建 KG 仅覆盖 GenomicKB 的一部分、知识覆盖不足，但这一解释是否得到覆盖率分析或受控实验支持尚未验证。该结论不宜扩大为知识图谱增强 DNA 表征普遍无效。实验协议、消融及统计信息尚未验证，代码与复现条件也尚未验证。 平台推测（待验证）：其可迁移假设是，结构化领域知识可能补充 EEG 自监督序列表征，但需先建立可与 EEG 样本对齐的实体、关系及知识监督；DNA 中的实体关系不能直接复用。可借鉴的是辅助 KG 建模思路，需改造的是知识构建与信号对齐模块。低信噪比、跨被试差异、通道配置变化和小数据可能使知识对齐不稳，或让辅助目标引入偏差。一个可检验的小实验是在固定 EEG 数据划分与编码器条件下，对照仅掩码建模、加入真实 KG 和加入关系打乱的 KG，并控制知识覆盖率，检验收益是否确由结构知识带来。已有 EEG 相关工作尚未检索确认。

  2. OpenReview · Representation learning76

    通过灵活表征引导学习扩散模型

    基于摘要分析。研究探讨如何将辅助表征系统地融入扩散模型，以改善生成质量。作者提出表征引导框架，通过不同的去噪模型分解及对应训练准则，规定辅助表征在何时、以何种方式参与模型学习。 机制与贡献：摘要以既有工作中的表征对齐为出发点，即将扩散模型的内部表征与预训练模型表征对齐。作者在理论分析基础上提出两项策略：一是将样本与来自样本自身或不同合成模态的目标表征配对，再学习这些多模态配对的联合模型；二是设计平衡表征学习与数据生成的训练课程，作者称其为最优训练课程。具体分解形式、损失函数、合成模态构造方式及最优性的成立条件尚未验证。 结果与复现：作者报告，在蛋白质序列与分子生成任务中取得更优性能并加速训练。摘要未给出数据集、划分、对照基线、指标数值或计算预算，因此不能判断收益大小及适用范围。摘要提供了代码仓库，但实现与论文的一致性、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 EEG 生成或数据增强中，辅助表征可能帮助生成模型保留任务相关结构；这不等于已验证的 BCI 效果。该路径依赖可靠的目标表征与样本配对，可考虑复用表征对齐和训练课程机制，但需改造 EEG 编码、时序与通道表示。低信噪比、跨被试差异及小数据可能使引导偏向噪声或被试身份。一个可证伪的小实验是：在固定被试划分与训练预算下，对比无引导和表征引导的 EEG 生成模型，同时评估生成信号的结构保真度及对独立测试集解码的帮助。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其去噪模型分解与表征引导训练准则之间的对应关系，以及多模态配对和训练课程如何协调表征学习与生成；具体性能优势及加速幅度尚需全文验证。

7月8日周二
  1. OpenReview · State space models71

    MS-SSM：用于高效序列建模的多尺度状态空间模型

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

    阅读价值：值得核对多分辨率状态空间动力学与输入依赖 scale-mixer 能否在计算成本可比时改善长程记忆，以及各模块对性能的独立贡献；其 EEG 迁移价值尚未验证。

6月22日周日
  1. OpenReview · Representation learning67

    因果信息指导的统一语义与 ID 表示学习

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

5月10日周六
  1. OpenReview · Representation learning77

    基于 Empowerment 的表征学习与技能发现

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

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

5月1日周四
  1. OpenReview · Representation learning75

    强化学习中基于 Laplacian 的在线表征学习

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

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

  2. OpenReview · Representation learning74

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

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

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

4月2日周三
  1. OpenReview · EEG71

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

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

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

3月6日周四
  1. OpenReview · Representation learning72

    分子的多模态表征学习

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

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

1月23日周四
  1. OpenReview · Representation learning74

    迈向表征对齐的学习理论

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

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

  2. OpenReview · State space models68

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

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

  3. OpenReview · State space models72

    从层到状态：深度神经网络层动态的状态空间模型视角

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

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