跳到正文
#OpenReview
1月1日周三
  1. OpenReview · EEG74

    EEGCiD：将 EEG 凝缩到扩散模型中

    基于摘要分析。EEGCiD 针对 EEG 模型开发中大量数据带来的存储与共享隐私问题，将原始数据集的知识凝缩到扩散模型和少量潜在编码中，生成信息集中的合成样本集；其目标并非复现外观逼真的 EEG，而是保留用于解码的代表性信息。 核心机制分为模型预训练与数据凝缩两阶段。首先，使用原始 EEG 数据预训练确定性去噪扩散隐式模型 DDIM，以存储数据集知识；骨干采用包含空间与时间自注意力模块 STSA 的 transformer，替代传统 U-Net。随后，从原始数据集中随机选取部分样本，经 DDIM 前向过程得到凝缩潜在编码 z，并通过匹配合成样本与原始数据在多个 EEG 解码模型中的特征分布来优化 z。摘要将这一过程称为集成特征匹配，但具体损失形式、解码模型配置及优化细节尚未验证。 作者报告，在三个 EEG 数据集上的实验中，凝缩数据集在有限样本量条件下取得更优分类表现，并能有效抵御成员推断攻击（MIA）。摘要未提供数据集名称、被试数量、被试内或跨被试等评估协议、对照方法及具体指标，因此无法量化收益，也不能据此认定对其他隐私攻击同样有效。 复现时需核对凝缩样本预算、DDIM 训练与采样设置、特征匹配模型及下游解码模型的关系，以及原始数据、潜在编码和扩散模型权重各自的存储与发布成本。隐私结论需结合 MIA 的攻击者能力、访问权限和评估协议解释；合成信号不与原始信号视觉相似，本身不等于隐私保证。实验协议、消融及统计信息尚未验证。

    阅读价值：值得关注其将确定性 DDIM 与多解码模型特征匹配结合的 EEG 数据集凝缩机制，但分类收益与隐私保护结论仍需结合数据划分、存储核算及 MIA 威胁模型核对。

  2. OpenReview · EEG74

    EEGCiD：将 EEG 凝缩到扩散模型中

    EEGCiD 针对 EEG 模型开发所需大量数据带来的存储与共享隐私问题，提出将原始数据集知识凝缩到扩散模型及小规模潜在编码集合中的方法，以生成信息集中的合成 EEG 样本，而非以外观接近原始信号为主要目标。基于摘要分析，未取得论文全文。 核心机制分为知识建模与数据凝缩两个阶段：首先使用原始 EEG 数据预训练确定性 denoising diffusion implicit model（DDIM），以保存数据集知识；其骨干采用包含空间与时间自注意力模块（STSA）的 transformer，替代传统 U-Net。随后，从原始数据集中随机选取样本子集，经 DDIM 前向过程得到凝缩潜在编码 z，再通过匹配合成样本与原始数据在多个 EEG 解码模型中的特征分布来优化 z。该集成特征匹配策略意在将对解码任务有用的信息集中到较小的合成数据集中；具体损失形式、解码模型组合及优化细节尚未验证。 作者报告，在三个 EEG 数据集上，凝缩数据集在有限样本条件下取得较好的分类表现，并能有效防御成员推断攻击（MIA）。摘要未提供数据集名称、任务、被试数、被试内或跨被试划分、凝缩样本规模、分类指标数值及对照设置，因此无法量化分类收益，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。 复现与应用评估需核对 DDIM 预训练成本、潜在编码优化成本，以及生成合成数据所需模型权重是否计入总存储开销。隐私结论还需核对 MIA 的攻击者能力、访问权限和评估指标；合成样本不与原始信号外观相似，本身不能构成隐私保证。作者报告的 MIA 防护效果应限定于其实际测试设置，不能据此推断身份或健康信息的其他泄露风险均已消除。

    阅读价值：值得阅读其将确定性 DDIM 与多解码模型特征分布匹配结合的 EEG 数据凝缩机制，但分类收益与成员推断攻击防护效果仍需结合压缩规模、评估协议和攻击设置核对。

  3. OpenReview · EEG72

    EEGDM：基于生成式扩散模型的 EEG 表征学习

    基于摘要分析。该研究针对 EEG 标注有限、信号变异性高导致的表征学习困难，提出生成式扩散表征学习框架 EEGDM，并将预训练得到的潜在 EEG 表征用于下游分类，探索区别于现有 EEG 基础模型的技术路径。 核心机制是用于扩散预训练的结构化状态空间模型 SSMDP：作者以其捕获 EEG 的时间动态，并在 Denoising Diffusion Probabilistic Model（DDPM）框架下训练。随后，作者提出 latent fusion transformer（LFT），利用所得潜在表征完成分类。摘要未说明扩散噪声设定、具体训练目标、潜在表征提取位置及 LFT 的融合方式，这些实现细节尚未验证。 评估采用涉及发作间期癫痫样放电的 TUEV 与涉及癫痫发作检测的 CHB-MIT，并与现有方法及 EEG 基础模型比较。作者报告 EEGDM 优于所比较的方法，但摘要未提供具体指标、数值、基线名单及被试内或跨被试等划分信息，因而尚不能判断优势幅度、统计可靠性或跨协议泛化能力。这些任务属于 EEG 临床事件识别，不能直接视为已验证的 BCI 控制效果。 作者将大型 EEG 基础模型的训练与推理成本、模型增大时收益有限作为研究动机，但摘要并未给出 EEGDM 的参数量、训练开销或推理效率，不能据此确认其计算成本优势。复现时需核对数据预处理、预训练与下游数据的划分关系、分类协议、基线配置以及 SSMDP 和 LFT 的独立贡献；实验协议、消融及统计信息尚未验证。摘要提供了源码与 checkpoint 链接，但其内容、可运行性和复现实验条件尚未核验。

    阅读价值：值得核对其以结构化状态空间模型进行扩散预训练、再融合潜在 EEG 表征的机制，以及相对 EEG 基础模型的分类收益与计算成本；摘要中的性能优势尚需结合完整实验协议验证。

  4. OpenReview · EEG61

    结合时空网络与图注意力架构的 EEG 工作负荷分类

    基于摘要分析。本研究针对 EEG 认知工作负荷估计，将 EEGNet 与 Graph Attention Networks（GATs）结合，旨在联合建模 EEG 的时空特征及电极间关系。核心贡献是融合电极空间距离与信号相关性构建动态图，并利用 GAT 的多头注意力进行特征提取和工作负荷分类。 技术机制：EEGNet-GAT 混合架构将时空特征建模与图关系建模结合，以表达 EEG 中复杂的空间和时间动态。摘要明确动态图同时利用电极距离与信号相关性，但未说明图的更新频率、相关性计算窗口、边权融合方式，以及 EEGNet 与 GAT 的具体连接位置；网络结构、损失函数和训练细节尚未验证。 数据与结果：研究使用 COG-BCI 数据集，涉及 N-Back 和 Multi-Attribute Task Battery-II（MATB-II）任务。作者报告，在其工作负荷分类评估中，N-Back 的 Accuracy 为 92.13%，MATB-II 的 Accuracy 为 96.08%，并称优于独立 EEGNet。摘要未提供被试数量、类别定义、数据划分、被试内或跨被试协议及 EEGNet 基线数值，因此不能据此量化增益或判断跨被试泛化能力；实验协议、消融及统计信息尚未验证。 复现与应用边界：复现时需核对预处理、分窗、图构建、训练与测试划分，以及动态图相对静态图和仅使用电极距离或信号相关性的贡献。作者提出该架构具有实时认知工作负荷估计潜力，但摘要未提供推理延迟、在线评估或实际部署结果，实时适用性尚未验证。

  5. OpenReview · EEG53

    结合过完备有理伸缩小波变换与自回归模型的 EEG 运动想象分类

    基于摘要分析。本文针对 EEG 运动想象（MI）分类问题，提出 ORDWT_AR，将过完备有理伸缩小波变换（ORDWT）与自回归（AR）模型结合，用于提取 EEG 特征，再由传统分类器完成分类。 方法流程是先通过滑动窗口将 EEG 记录分段，再对各片段进行 ORDWT 分析。摘要称该步骤产生一系列 stop bands，随后结合 AR 提取代表性特征，并将选定特征输入 Weighted k-nearest Neighbour（WKNN）、Decision Tree（DTree）和 Boosted Trees（BST）。其可核对的技术重点是小波分析与 AR 特征的组合；ORDWT 的具体配置、AR 阶数、窗口长度与步长、特征选择方式及分类器参数尚未验证。 作者报告，在三个来自 BCI Competition III 的 EEG 数据集上，ORDWT_AR 配合 WKNN 的平均 Accuracy 为 99.8%；在 CHB-MIT 数据集上的 Accuracy 为 99.7%。摘要未提供三个竞赛数据集的具体名称、类别设置、被试数，以及被试内、跨被试或跨会话评估协议，因此这些数值只能作为作者在未明确划分条件下报告的结果，不能直接与其他 MI 方法比较。 复现时应优先核对训练与测试划分的单位、滑动窗口分段与划分的先后顺序、重叠片段的处理，以及特征选择是否限定在训练数据内；摘要不足以判断这些环节是否存在问题。CHB-MIT 的具体分类任务及其与 MI 的对应关系也需从全文确认，不能将该数据集上的结果直接视为 MI 分类证据。实验协议、对照基线、消融及统计信息尚未验证。作者提出该方案可能支持残障人士与环境交互，但摘要所述离线分类结果尚不足以验证在线 BCI 性能或实际使用效益。

  6. OpenReview · EEG69

    超越主观性：基于 EEG 多窗谱估计的连续 VR 晕动症检测

    基于摘要分析。该研究针对 VR 晕动症主要依赖体验后主观问卷、受限运动实验难以刻画症状动态变化的问题，提出利用被动监测的 EEG 与头部运动信号，连续识别并量化用户在自由交互 VR 中的晕动症程度。 方法以 EEG 多窗谱估计（Multitaper Spectrum Estimation）为核心，并结合针对运动伪迹的 EEG 处理技术。作者报告，该方法能够实时追踪晕动症水平，且检测无需用户特定的校准或个性化。摘要未说明头部运动信号如何参与估计、伪迹处理的具体步骤、谱特征如何映射至症状程度，以及是否采用学习模型；这些机制尚未验证。 相较于体验后问卷和运动受限的实验设置，研究的主要贡献在于面向自由交互场景的连续监测，以及降低个体校准需求。作者报告发布了方法实现和一个包含 16 名参与者、总计约 2 小时记录的数据集；这一规模描述不能替代有效性评估，摘要未提供检测性能、量化误差、实时延迟或对照结果。 复现时应核对晕动症标签及其时间分辨率、EEG 与头部运动的同步方式、被试与会话划分，以及无个体校准设定如何落实。尤其需验证输出反映的是症状变化还是运动相关信号，并检查自由运动条件下的稳定性。具体实验协议、消融及统计信息尚未验证，不能仅凭摘要将该方法视为已证实的客观症状测量工具。来源提供了代码链接，但代码与数据的可访问性、依赖环境及完整复现条件尚未核验。

12月31日周二
  1. OpenReview · EEG66

    结合 EEGNet 与 SPDNet：面向想象言语解码的端到端架构

    基于摘要分析。该研究针对从 EEG 解码想象言语的问题，将 EEGNet 与 Cross-Covariance（CCV）矩阵表征结合，并采用 SPDNet 所提出的双线性变换提取判别特征，构建面向想象言语解码的端到端架构。想象言语指在不实际发声的情况下，在脑内模拟给定提示的发音过程。 技术机制上，研究尝试结合 CNN 特征学习与矩阵表征学习：EEGNet 提供卷积建模组件，CCV 矩阵提供另一种信号表示，双线性变换用于从矩阵中提取判别信息。摘要未说明 CCV 矩阵的具体构造、其与 EEGNet 的连接位置，以及满足 SPDNet 相关矩阵约束的处理方式；损失函数、训练流程和推理细节尚未验证。因此，目前能确认的是组件组合思路，不能据此还原完整网络结构。 作者报告，在两个公开数据集上，该方法达到与当时先进方法相当的性能，并在两个数据集上均显著优于 EEGNet。摘要未提供数据集名称、被试数量、评估指标、具体数值，也未交代被试内或跨被试等划分协议，因而无法量化增益或判断其泛化范围。 复现时应重点核对预处理、CCV 计算方式、矩阵约束及数值稳定性、各组件的训练衔接，以及与 EEGNet 对照时的数据划分和训练条件是否一致。实验协议、消融及统计信息尚未验证；代码和实现可得性亦需查阅全文或来源记录确认。

11月12日周二
  1. OpenReview · Representation learning76

    通过指令微调进行无监督文本表示学习，用于零样本稠密检索

    基于摘要分析。该研究针对稠密检索依赖标注数据、低资源场景难以获得监督信号的问题，在双编码器检索框架下对预训练编码器—解码器 LLM 进行指令微调，以学习无监督文本表示并改善零样本检索。 核心机制包含两部分：利用指令微调后的 LLM 生成与语料文本相关的合成查询，并以这些查询的表示增强语料表示；再通过 self-instruct tuning 对齐查询与语料文本的表示。作者将表示增强的理论依据关联到 Rao-Blackwell 定理，但摘要不足以核对其具体估计量、适用假设、表示组合方式及训练目标。 作者在低资源设置下，使用三个英语、两个德语和一个葡萄牙语检索数据集，以 NDCG@10、MRR@100 和 Recall@100 评估方法。作者报告所有指标的平均零样本检索表现均得到改善，相对开箱即用的 FLAN-T5 不同模型变体，绝对 NDCG@10 增益区间为 [4.73%, 6.15%]（保留摘要原文数值表述），并超过四个有监督稠密检索器。数据集名称、训练与测试划分、各指标分项结果、模型规模、对照训练条件及统计显著性检验尚未验证，不能据此认定在所有单独数据集上均占优。 平台推测（待验证）：其较直接的 BCI 应用是领域文献或实验记录的文本检索，而非 EEG 信号表征学习。迁移假设依赖生成模型能够产生准确的 BCI 专业查询；可复用合成查询增强与表示对齐思路，但需验证术语错误和生成偏差是否损害检索。摘要未提供将该机制映射到 EEG 时序、通道或跨被试结构的依据，不能推断其提升 EEG 解码；相关 EEG 工作尚未检索确认。复现还需核对指令模板、合成查询生成设置、表示聚合方式与实现可用性。

    阅读价值：值得核对其利用合成查询增强文档表示并通过自指令微调对齐查询与文档的机制，以及低资源零样本检索增益对模型规模、数据划分和对照设置的依赖。

10月22日周二
  1. OpenReview · Representation learning74

    Sliding Puzzles Gym：用于视觉强化学习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中难以将表征学习与策略学习分开评估的问题，提出 Sliding Puzzles Gym（SPGym）。它扩展经典 15-tile puzzle，通过改变网格尺寸和观测空间来调节表征挑战，同时保持潜在环境动力学与算法问题固定，旨在评估智能体构建组合性、可泛化状态表征的能力。 核心机制是控制任务的潜在结构，并扩展视觉观测的复杂度；观测空间可包含大型真实世界图像数据集。该设计提供了一个研究思路：观察智能体表现如何随表征挑战增加而变化，而不只考察单一视觉条件下的任务表现。不过，网格尺寸变化与固定动力学之间如何协调，以及不同难度下如何控制规划负担，仍需查阅正文确认。 作者报告，实验覆盖 model-free 与 model-based RL 算法，并比较有、无显式表征学习组件的设置；随着表征挑战扩大，SPGym 能区分受测智能体的能力。作者还报告，在更高难度下，没有受测算法能够持续表现突出。摘要未提供算法名称、图像数据集、训练规模、数据划分、评价指标或数值结果，实验协议、消融及统计信息尚未验证，不能据此判断具体算法的优势或泛化边界。 平台推测（待验证）：其“固定潜在任务、改变观测难度”的思路可为 EEG 表征评估提供借鉴，但原基准依赖拼图状态和视觉观测，并未验证 EEG/BCI 效果。假设可以构造具有已知潜在状态的 EEG 模拟任务，复用难度分级与受控对照框架，需将图像观测替换为多通道时序，并处理低信噪比、通道差异及跨被试变异。一个可检验的小实验是在固定潜在状态和决策规则下，仅改变模拟 EEG 的噪声水平，比较有、无显式表征模块的状态识别与任务表现；其局限是模拟结构可能不能代表真实 EEG。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读的具体原因是 SPGym 在保持潜在环境动力学与算法问题固定的同时扩展视觉表征难度，为区分表征学习与策略学习的影响提供了可核对的评估思路，但其隔离效果与实验细节尚未验证。

10月11日周五
  1. 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。研究探讨扩散模型为何、以及在何种条件下能够在以生成任务为设计目标的同时，学到高质量的自监督表征。作者提出，关键在于扩散模型通过受噪声水平控制的去噪目标，学习图像数据集的低维分布，并据此分析噪声尺度变化下的表征学习行为。 机制与贡献：作者报告，实证结果支持上述假设，不同噪声水平下的表征学习性能变化，与相应后验估计的质量密切相关。在这一观察基础上，作者提供了关于表征随噪声尺度变化呈单峰动态的理论解释，说明去噪过程如何学习有意义的表征。摘要还将扩散模型相对传统去噪自编码器的表征优势归因于其内在的参数共享机制，但具体共享方式、理论假设与对照设置尚未验证。 证据边界：摘要未给出数据集、模型规模、表征评估任务、数据划分或具体指标，因此不能量化优势，也不能判断结论适用的噪声范围与数据条件。实验协议、消融及统计信息尚未验证；复现前需核对低维分布的建模假设、后验估计质量的度量、表征提取位置，以及参数共享对照是否控制了其他因素。 平台推测（待验证）：若 EEG 信号在选定任务和预处理条件下具有可利用的低维结构，这一机制可能为选择自监督去噪的噪声尺度提供依据，但图像领域结果不等于 BCI 有效。可复用的是噪声尺度扫描与去噪表征评估思路，需改造输入表示、噪声模型及通道处理；低信噪比、跨被试差异和小数据可能使去噪目标偏向背景活动而非任务信息。一个可检验的小实验是在固定 EEG 数据划分、模型容量和训练预算下扫描噪声水平，分别评估去噪质量与冻结表征的任务分类表现，检验两者关系及表征性能是否呈单峰变化。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其关于噪声尺度、后验估计质量与表征性能之间关系的理论解释，并核对参数共享相对传统去噪自编码器的贡献；其对 EEG 自监督学习的适用性尚未验证。

  2. OpenReview · EEG68

    从脑活动重建视觉刺激的联合学习：基于 EEG-Vision Transformer 的图像感知层级表征

    基于摘要分析。该研究针对 EEG 噪声较高、空间分辨率较低条件下的视觉刺激重建问题，提出 Hierarchical-ViT 框架，将分层视觉特征提取、EEG-ViT 信号处理和基于 CLIP 的联合学习结合，再利用 StyleGAN 生成图像。 核心机制是借鉴人类视觉系统的层级处理方式，通过多阶段处理逐步捕获边缘、纹理、形状等视觉特征，并与 EEG-ViT 提取的 EEG 表征对齐，构建用于对比学习的共享潜在空间。StyleGAN 随后依据对齐表征生成高分辨率图像。摘要未给出具体层级构造、EEG 输入组织、CLIP 的使用方式、损失形式及各模块训练或冻结策略，这些实现细节尚未验证。 作者报告，在 EEGCVPR40 和 ThoughtViz 两个基准数据集上，该方法相较已有方法取得更好的生成质量指标：EEGCVPR 上评估 IS、KID、FID，ThoughtViz 上评估 IS、KID。摘要在数据集介绍与结果描述中分别使用 EEGCVPR40 和 EEGCVPR，二者的具体对应关系需核对全文。摘要未提供指标数值、对照方法、数据划分，以及被试内、跨被试或跨会话协议，因此不能据此判断提升幅度或跨被试泛化能力。 作者报告，消融研究支持分层特征提取的可行性，MANOVA 分析支持所学特征空间具有区分性；这些结果尚不足以单独说明图像重建的语义准确性或 EEG 信息的独立贡献。复现时需核对 EEG 预处理、刺激与信号配对、训练测试划分、生成器训练数据和预训练设置，并结合消融及统计结果评估层级视觉表征的实际作用。实验协议、消融及统计信息尚未验证。

9月28日周六
  1. OpenReview · Representation learning72

    Fed-REACT：面向异质时间序列数据的联邦表征学习

    基于摘要分析。该研究针对联邦学习中客户端数据分布随时间及客户端而变化、进而影响常规联邦算法性能的问题，提出 Fed-REACT，将表征学习与 evolutionary clustering（演化聚类）结合，用于异质时间序列上的本地下游任务。 方法分为两个阶段：首先，客户端学习从本地时间序列提取有意义特征的模型；随后，服务器自适应地将客户端分组，并协调各簇内任务模型的学习，支持分类或回归等表征提取之后的下游任务。其机制重点在于将表征提取与簇级任务学习分开，而不是仅依赖单一全局任务模型。聚类依据、随时间更新的规则、表征模型是否共享以及具体训练目标尚未验证。 作者报告，在真实世界时间序列数据集上的实验中，该算法具有较高准确率和鲁棒性，并提供了性能理论分析。摘要未给出数据集名称、任务划分、对照基线、指标数值或理论成立条件，因此无法量化优势，也无法判断其在不同异质性条件下的稳定程度。实验协议、消融及统计信息尚未验证；复现还需核对客户端构建方式、通信与计算开销及实现可得性。 平台推测（待验证）：假设 EEG 客户端存在可聚类的任务相关分布结构，簇级学习可能缓解跨被试或跨会话差异导致的负迁移；但原领域有效不等于 BCI 有效。可考虑复用客户端分组与簇级协调机制，表征提取器和聚类特征则需适配 EEG 通道与时序结构。低信噪比、通道不一致及单客户端小数据可能使聚类主要反映噪声或采集差异。一个可证伪的小实验是在固定跨被试划分、监督信息和通信预算下，对比单一全局联邦模型、固定聚类与自适应聚类，检验簇级学习是否稳定改善被试级表现；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其表征学习与自适应客户端聚类如何应对时间序列的跨客户端及时间变化异质性，但摘要尚不足以确认性能增益或 EEG 适用性。

  2. OpenReview · Representation learning78

    强化学习中的在线 Laplacian 表示学习

    基于摘要分析。本文研究强化学习中能否在策略更新的同时，在线学习具有理论保证的 Laplacian 表示。作者提出 Asymmetric Graph Drawing Objective（AGDO），并分析在该目标上运行在线投影梯度下降的收敛性质，将图表示学习与持续变化的策略学习过程联系起来。 核心机制是利用底层状态转移图的 Laplacian 矩阵特征向量，将原始状态感知观测编码为有意义的特征。区别于将表示视为固定模块，本文关注策略与图表示同时更新的情形。作者报告，在温和假设及策略学习算法引起的策略漂移有界条件下，在线投影梯度下降具有遍历意义下的收敛性；这不应直接解读为任意策略更新下都能收敛，或每一步表示均收敛。AGDO 的具体形式、投影约束、漂移定义及收敛度量尚未验证。 作者报告，仿真研究支持收敛至真实 Laplacian 表示的理论保证，并讨论不同强化学习算法与在线表示学习的兼容性。摘要未提供环境名称、数据规模、对照基线或量化结果，实验协议、消融及统计信息尚未验证，也无法据此判断样本效率或跨任务泛化的实际增益。 平台推测（待验证）：其潜在 EEG/BCI 关联在于为持续变化的闭环交互状态学习图谱表示，但这是一项迁移假设，而非本文已验证的效果。可复用部分是图谱表示目标与在线更新框架；需改造的部分包括 EEG 状态编码、转移图构建及策略漂移控制。原方法依赖状态转移结构，不能将一般 EEG 时间邻接直接等同于强化学习转移图；低信噪比、跨被试与通道差异、小数据下的图估计误差都可能破坏所需条件。一个小规模检验可在固定被试与通道的闭环任务中，对比冻结表示与 AGDO 在线更新，并控制策略变化幅度，观察表示稳定性及任务表现是否随漂移增大而恶化。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读之处在于作者将策略持续更新引起的表示学习目标变化纳入收敛分析，以策略漂移有界为条件讨论在线 Laplacian 表示学习的可行性；具体假设与仿真协议尚待全文核对。

  3. 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。

  4. 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 · 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 · 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。

  7. 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。

  8. 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。

  9. 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。

  10. 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。

  11. 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。

  12. 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。

  13. 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。

  14. 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。

  15. 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 · 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。

  2. 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。

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。