跳到正文
#提供代码链接
1月1日周一
  1. OpenReview · State space models71

    SSD4Rec：用于高效序列推荐的结构化状态空间对偶模型

    基于摘要分析。研究面向序列推荐中用户行为序列较长、长度不一时的偏好建模与计算效率问题，提出受 Mamba 启发的推荐骨干 SSD4Rec。其主要贡献是通过序列寄存器标记物品序列，并使用双向 Structured State Space Duality（SSD）块处理物品表示，以兼顾长程建模与硬件友好的计算。 核心机制：原任务依赖用户历史交互形成的离散物品序列，而非神经信号。摘要将序列寄存器与变长、长序列处理联系起来，将双向 SSD 块与硬件感知的矩阵乘法联系起来；寄存器的具体组织方式、双向信息融合、推荐目标与损失、训练和推理流程尚未验证。双向处理与推荐任务的信息可用范围如何匹配，也需结合全文协议核对。 结果与复现：作者报告，在四个基准数据集上的评估达到其所称的 state-of-the-art 性能，并随用户序列长度保持近线性扩展性。摘要未提供数据集名称、划分方式、对照基线、指标数值或扩展性测量条件，因此不能量化收益或直接比较不同协议。作者提供了公开代码链接，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）：可检验的迁移假设是，变长序列处理与 SSD 长程建模机制可能用于长时 EEG 的窗口表示序列，但推荐领域的结果不构成 BCI 有效性证据。可考虑复用 SSD 序列骨干，需改造连续信号编码、通道处理和任务输出；原方法对监督方式与训练规模的依赖尚不明确。低信噪比、跨被试差异、通道变化及小数据条件可能削弱其优势，双向处理也不能直接用于严格因果在线解码。一个小规模可证伪实验是在固定 EEG 数据划分与同一输入编码下，对比 SSD 骨干与 Transformer 的任务指标、运行时间和显存随序列长度的变化，分别限定离线与因果使用条件。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 SSD4Rec 如何利用序列寄存器与双向 SSD 块处理变长、长序列，以及推荐性能与近线性扩展性的评估协议；其 EEG/BCI 迁移价值尚未验证。

  2. OpenReview · EEG74

    利用静息态 EEG 信号进行跨被试 EEG 运动想象分类的被试自适应迁移学习

    基于摘要分析。本文针对跨被试 EEG 运动想象（MI）分类中的个体信号差异，提出利用目标被试静息态（RS）EEG 进行被试自适应迁移学习，以减少对目标被试任务特异性（TS）EEG 校准数据的依赖。核心贡献是通过任务与被试相关特征的解耦及信号校准，使静息态数据参与目标被试模型适配。 机制上，作者将提取的特征解耦为任务相关与被试相关两部分，再利用这些特征校准 RS EEG，意图在保留目标被试特征的同时获得任务信息。校准后的信号用于适配模型，使其模拟处理目标被试 TS EEG 的情形。摘要未说明特征解耦的约束、校准模块的实现、损失函数或适配时更新哪些参数，这些细节尚未验证。该方案仍需采集目标被试 RS EEG，不应解读为完全不使用目标被试数据。 作者报告，该方法在三个公开基准的跨被试 EEG MI 分类中取得最先进的 Accuracy；摘要未提供基准名称、具体数值、被试数、划分方式及对照方法，因此暂不能判断优势幅度或不同协议下的可比性。尤其需要核对源被试 TS 数据与目标被试 RS 数据的使用范围，以及目标被试 TS 数据是否仅用于评估；实验协议、消融及统计信息尚未验证。 其实用价值在于探索更易采集的 RS EEG 能否承载有效的个体校准信息，而非直接消除个体差异。静息态到 MI 任务的信息转换是否可靠、跨会话状态变化是否影响适配，以及性能提升是否来自所提出的解耦和校准机制，均需结合全文结果判断。摘要提供了代码仓库，但实现完整性、数据预处理、运行环境及复现条件尚未验证。

    阅读价值：值得核对其利用目标被试静息态 EEG 替代任务特异性校准数据的机制与评估协议，这直接关系到跨被试 MI 分类的校准负担；作者报告的性能优势尚需全文验证。

  3. OpenReview · State space models75

    Mamba-FSCIL：利用选择性状态空间模型实现少样本类别增量学习的动态适应

    基于摘要分析。该研究面向图像少样本类别增量学习（FSCIL），目标是在仅有少量新类训练样本时学习新增类别，同时保留旧类知识。Mamba-FSCIL 利用选择性状态空间模型（Selective State Space Models，SSMs）的动态权重与序列建模能力实现动态适应，试图缓解固定参数空间适应对当前增量阶段的过拟合，以及持续扩展参数空间带来的复杂度问题。 核心方法是双 selective SSM projector：根据中间特征动态调整投影参数，通过双重设计保持基础类的稳健特征，同时学习新类的辨别性特征变化。另一个机制是 class-sensitive selective scan，用于引导动态适应，减少新类训练对基础类表征的扰动，并促使基础类与新类采用不同的选择性扫描模式。摘要未提供双重设计的具体连接方式、扫描对象、损失形式或训练流程，这些细节尚未验证。 作者报告，在 miniImageNet、CUB-200 和 CIFAR-100 的 FSCIL 实验中，该框架优于已有最先进方法；摘要未给出具体指标、数值、基础类与增量类划分、每类样本数或对照配置，因此不能据此量化优势或跨协议比较。实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但实现完整性、运行环境与复现结果尚未验证。 平台推测（待验证）：若 EEG 应用确实涉及少样本新增任务类别而非仅被试或会话变化，其“保留基础类表征、适应新类特征”的机制可能对应类别增量学习中的遗忘问题。可考虑复用动态投影与类别敏感扫描，但需核对原方法的特征序列构造，并改造 EEG 编码器及时间或通道序列接口。低信噪比、跨被试差异、通道变化和小样本监督可能使动态适应追随噪声，而非稳定的类别差异。一个可证伪的小实验是假设固定 EEG 编码器，在相同被试内划分和新类样本预算下比较静态投影与该动态机制，同时测量旧类保持和新类识别表现；这只是迁移验证建议，不是已证实的 BCI 效果。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对双 selective SSM projector 与 class-sensitive selective scan 如何兼顾旧类保持和新类适应；作者报告了图像 FSCIL 优势，但其对 EEG 类别增量学习的价值尚未验证。

  4. OpenReview · Representation learning74

    面向推荐的 Matryoshka 表示学习

    基于摘要分析。本文研究推荐系统如何在用户与物品向量中表达层级化的偏好和特征，提出 Matryoshka Representation Learning for Recommendation（MRL4Rec）。其核心贡献是将表示组织为维度逐级增加、空间相互重叠的 matryoshka 表示，并通过层级专属训练三元组学习不同层次的信息。 机制方面，作者认为，统一处理偏好与特征或将其划分为离散簇，难以充分表达真实世界的层级结构。MRL4Rec 重构用户与物品向量，使不同层级对应不同维度的重叠表示空间。作者称其理论分析表明，为各层级构造专属训练三元组是准确学习此类表示的关键，进而提出 matryoshka negative sampling 机制。摘要未提供层级的具体定义、三元组构造规则、负样本分布或损失形式，这些细节尚未验证。 作者报告，在多个真实世界推荐数据集上，MRL4Rec 持续且显著优于若干先进对照方法；摘要未列出数据集名称、划分协议、评价指标、数值及统计检验，因此不能量化优势或判断不同协议下的可比性。实验协议、消融及统计信息尚未验证。摘要提供了公开代码地址，但实现与复现条件尚未核验。 平台推测（待验证）：可迁移的机制是多尺度嵌套表示与层级专属采样，而非推荐任务本身。原方法依赖用户—物品关系及可构造训练三元组的数据结构，数据规模要求尚未验证。若用于 EEG，需要先明确可监督的层级关系，并将推荐编码模块替换为 EEG 编码器，重新设计正负样本规则。假设嵌套表示可支持不同维度预算下的 EEG 解码，但低信噪比、跨被试差异、通道变化及小数据可能使层级关系不稳定。一个可证伪的小实验是在固定跨被试划分与相同编码器下，对比普通表示、嵌套表示配统一采样、嵌套表示配层级专属采样，检查不同表示维度下的解码表现；此建议并非已验证结果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其层级专属训练三元组与 matryoshka negative sampling 如何支撑嵌套表示学习，但摘要中的推荐性能结论及其向 EEG 表征的迁移价值尚需验证。

  5. OpenReview · Representation learning75

    超越模式变异：基于点云序列的无监督三维动作表征学习

    基于摘要分析。本文研究点云序列的无监督三维动作表征学习，而非 EEG 或 BCI；作者提出 feature augmentation adapted contrastive learning（FACL），旨在利用同一动作实例不同增强视图中的互补判别信息，区别于依赖三维骨架信息的无监督方法。 方法以 3-D dynamic voxel（3DV）为基础，将点云序列压缩为包含三维运动信息的紧凑点云，并施加时空增强开展对比学习。作者指出，SimCLR、MoCo v2 等方法处理增强后的 3DV 时仍存在较高的模式变异，各视图保留的互补线索未被充分利用。FACL 采用全局—局部两分支：全局分支联合关注原始与增强样本的判别线索，局部分支增强各增强样本特征的判别能力，最终通过拼接融合两类特征。具体损失形式、增强参数及训练流程尚未验证。 作者报告，在 NTU RGB+D 120 的 cross-setup 与 Cross-subject 测试设置下，相比其所称最先进的骨架方法，分别提升 6.4% 和 3.6%。摘要未明确对应指标及这些数值是相对百分比还是百分点，因此不能直接解释为 Accuracy 的百分点增益；数据划分细节、基线配置、消融及统计信息尚未验证。摘要提供了代码仓库，但代码内容及复现条件尚未核查。 平台推测（待验证）：可迁移的假设是，EEG 增强视图也可能保留不同的任务相关线索，联合建模这些线索或有助于缓解单纯视图一致性带来的信息损失。该机制依赖同一实例的多视图及可靠的任务保持增强；可借鉴全局—局部联合学习，但需替换点云编码器、3DV 与时空增强。低信噪比、被试差异、通道变化和小数据可能使模型融合噪声或身份线索。一个可检验的小实验是在固定 Cross-subject 划分、相同 EEG 编码器及增强策略下，对比常规对比学习与全局—局部融合，并核对融合是否稳定改善同一指标。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其全局—局部特征联合学习能否利用增强视图间的互补判别线索，而非仅追求视图一致性；摘要报告了动作表征收益，但对 EEG 的适用性尚未验证。

  6. OpenReview · Representation learning73

    像素句子表征学习

    基于摘要分析。本文研究句子与文档级文本语义表征，提出视觉句子表征学习框架，尝试绕开传统语言模型中离散子词单元对语义保持扰动的限制；主要研究对象是文本语义，而非 EEG 或 BCI。 核心思路是把句子语义学习视为视觉表征学习过程，使用拼写错误、词序打乱等视觉关联的文本扰动，使输入变化能够被作为连续变化处理。框架进一步结合大规模无监督主题对齐训练与 natural language inference（自然语言推理）监督。因而，摘要虽将视觉表征框架描述为无监督方法，完整训练路径仍包含明确的监督信号，不能将全部训练概括为纯无监督。文本的具体视觉编码方式、正样本对构造约束、损失函数及各训练阶段的衔接尚未验证。 在 semantic textual similarity（STS，语义文本相似度）评估中，作者报告该方法取得与现有最先进 NLP 方法相当的表现，并报告零样本跨语言迁移能力及迭代训练中跨语言表现的“跃迁式”模式。摘要未给出数据集、语言范围、评价指标、数值或对照基线，不能据此量化优势或判断不同语言间的稳定性。作者还声称这是首个不依赖传统语言模型、用于理解句子与文档语义的表征学习方法，该优先性主张尚未独立核验。 摘要提供了代码链接，但实现完整性、训练数据规模与复现成本尚未核对；实验协议、消融及统计信息尚未验证。现有材料没有建立文本视觉扰动与 EEG 信号增强之间的具体对应关系，因此不将其表述为已验证的 BCI 方法，也不据此提出 EEG 复现实验；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句子语义学习转化为视觉表征学习，探索绕开离散分词限制的文本扰动路径；其对 EEG/BCI 的适用性尚未验证。

  7. OpenReview · State space models72

    DGMamba：通过广义状态空间模型实现域泛化

    基于摘要分析。DGMamba 研究视觉域泛化中的分布偏移问题，尝试在保留 Mamba 全局感受野与线性复杂度优势的同时，通过抑制域特异隐藏状态、调整图像 patch 扫描和组合方式，提高对未见域的泛化能力。 核心机制包括 Hidden State Suppressing（HSS）与 Semantic-aware Patch Refining（SPR）。HSS 用于减轻与域特异特征相关的隐藏状态对输出预测的影响。SPR 旨在让模型更多关注对象而非上下文，包含 Prior-Free Scanning（PFS）和 Domain Context Interchange（DCI）：PFS 打乱图像中的非语义 patch，构造更灵活的序列；DCI 通过跨域融合 patch，将不匹配的非语义与语义信息组合起来，对 Mamba 施加正则化。摘要未提供隐藏状态识别与抑制的具体实现、语义 patch 判定方法或损失形式。 作者报告，在四个常用 DG benchmark 上，DGMamba 获得优于所比较先进模型的结果；摘要未列出 benchmark 名称、指标数值、训练与测试域划分及具体基线，因此尚不能判断收益幅度及各模块贡献。实验协议、消融及统计信息尚未验证。摘要表示代码将公开，并非已确认发布。 平台推测（待验证）：假设 EEG 中也能区分任务相关信息与被试或会话特异背景，HSS 的抑制思路可能对应跨被试、跨会话分布偏移；但图像对象与背景的划分不能直接等同于 EEG 的时间段或通道。可考虑复用隐藏状态抑制与背景重组思路，需改造 patch 定义、任务相关性判定及扫描顺序，避免破坏时序和通道关系。低信噪比、小数据及被试间差异可能使判定不稳定，误抑制有效信号。一个可证伪的小实验是在固定跨被试划分下，对比基础 Mamba 与仅加入 HSS 的版本，保持训练数据和调参预算一致，检查未见被试表现是否改善；这一迁移假设尚无本文证据支持，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 DGMamba 将域泛化中的域特异特征抑制与图像扫描机制改造分别落实为 HSS 和 SPR，可据此核对状态空间模型的泛化收益来源，但其 EEG 迁移价值尚未验证。

  8. OpenReview · State space models71

    MambaIR：基于状态空间模型的图像复原简洁基线

    基于摘要分析。该研究面向图像复原中全局感受野与计算效率难以兼顾的问题，提出 MambaIR：在 Mamba 中加入局部增强与通道注意力，以利用局部像素相似性并减少通道冗余。主要研究对象是低层视觉图像复原，而非 EEG 或 BCI。 机制上，论文利用选择性结构化状态空间模型的长程依赖建模能力及线性复杂度，针对标准 Mamba 在低层视觉中的局部像素遗忘与通道冗余问题进行补充。局部增强和通道注意力是摘要明确给出的改造方向，但其具体实现、状态扫描方式、损失函数与训练配置尚未验证。 作者报告，在图像超分辨率（image SR）实验中，MambaIR 在相近计算成本下具有全局感受野，相比 SwinIR 的提升最高达 0.45 dB。摘要未明确该数值对应的指标名称、数据集、放大倍率或具体计算成本口径，不能将其解释为所有设置下的平均提升；实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但代码内容与复现条件尚未核验。 平台推测（待验证）：若 EEG 任务同时依赖短时局部波形与长程时序关系，MambaIR 的“长程建模加局部补偿”思路可能对应这一瓶颈。原方法依赖图像局部像素结构，训练监督与数据规模尚未验证；可考虑复用状态空间建模及局部增强思路，但须将空间邻域处理改为时间邻域处理，并核对视觉特征通道注意力与 EEG 电极通道建模的区别。低信噪比可能使局部增强放大伪迹，跨被试及电极配置变化可能削弱通道权重的稳定性，小数据也可能导致过拟合。一个可证伪的小实验是在固定 EEG 数据划分与训练预算下，对比标准 Mamba、加入局部增强及再加入通道注意力的版本，检验增益是否稳定，并分开报告被试内与跨被试结果。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其如何用局部增强与通道注意力补充 Mamba 的长程建模，并核对与 SwinIR 在相近计算成本下的图像超分辨率对照；对 EEG 的适用性尚未验证。

  9. OpenReview · State space models72

    SSAMBA：基于 Mamba 状态空间模型的自监督音频表征学习

    基于摘要分析。本文研究音频表征学习中 Transformer 的计算与显存开销，提出 Self-Supervised Audio Mamba（SSAMBA），以不依赖注意力的状态空间模型进行自监督音频表征学习。其主要研究对象是音频，而非 EEG 或 BCI。 机制上，SSAMBA 使用双向 Mamba 捕获音频模式，并在大规模无标注数据上联合优化判别与生成目标。摘要未给出输入表征、目标的具体形式、训练规模及双向信息融合方式，这些实现细节尚未验证。作者将其称为首个自监督、无注意力且基于 SSM 的音频表征模型，该优先性声明尚未独立核实。 作者报告，在音频分类、keyword spotting、speaker identification 和 emotion recognition 等任务中，SSAMBA 在多数任务上优于 Self-Supervised Audio Spectrogram Transformer（SSAST），但摘要未提供各任务数据集、划分及具体指标。效率方面，作者报告在 tiny 模型规模、输入 token 数为 22k 的批量推理条件下，相比 SSAST，推理速度约快 92.7%，显存效率提高 95.4%；计量定义、硬件、批大小及两者配置尚未验证，不能将这些比例直接解释为延迟或显存占用的同幅度下降。材料提供了代码地址，但代码内容、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其机制可作为长序列 EEG 自监督表征学习的候选方案，假设双向状态空间建模能缓解长输入的资源开销，联合目标能利用无标注信号。可复用部分是序列建模与联合预训练思路；需改造音频输入编码、EEG 通道组织和预训练目标。音频预训练所依赖的数据结构与规模未必适合 EEG，低信噪比、跨被试差异、通道不一致和小数据可能使收益消失；双向处理也需与在线因果推理要求区分。可在固定 EEG 数据划分、输入长度和训练预算下，对照 Mamba 与 Transformer 编码器，比较跨被试任务表现、推理耗时及峰值显存，以检验效率收益是否伴随性能损失。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对双向 Mamba 与判别、生成联合自监督目标的实现，以及长输入下相对 SSAST 的效率对照；其对 EEG 表征学习的价值尚未验证。

  10. OpenReview · State space models74

    FusionMamba：基于状态空间模型的高效遥感图像融合

    基于摘要分析。该研究针对遥感图像融合：将空间分辨率高但光谱信息有限的图像，与空间分辨率低但光谱信息丰富的图像结合，生成高分辨率多光谱或高光谱图像。核心贡献是将单输入 Mamba 扩展为双输入 FusionMamba block，并将其嵌入分别提取空间与光谱特征的融合网络。 技术机制：作者以 CNN 感受野受限、Transformer 全局建模计算成本较高为出发点，探索状态空间模型（SSM）兼顾全局感知与低复杂度的能力。网络包含两个 U-shaped 分支，主要由 four-directional（FD）Mamba blocks 构成，分别进行空间和光谱特征的分层提取；另一个由 FusionMamba blocks 构成的辅助分支融合这些特征，并通过增强的通道注意力模块改善光谱信息表征。双输入块被作者定位为可插拔的信息整合模块，但其内部交互公式、损失函数、训练设置及实际计算开销尚未验证。 结果与复现：作者报告在六个数据集上的定量与定性评估达到 SOTA，但摘要未提供数据集名称、划分协议、具体指标、数值或对照基线，因此无法据此比较效果与效率。材料提供了代码地址；代码与论文的一致性、运行环境、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，双输入状态空间融合模块可能用于整合时间结构与通道结构互补的 EEG 表征；这不是原论文已验证的应用。原方法依赖具有空间、光谱结构且可对应融合的两类图像输入，迁移时需改造四方向扫描、输入对齐及通道注意力，不能直接把光谱轴等同于 EEG 电极轴。EEG 的低信噪比、跨被试差异、通道布局变化及小数据规模可能削弱融合收益。一个可证伪的小实验是在固定被试划分和相同特征编码器下，仅比较双输入 FusionMamba 与拼接融合，分别报告被试内和跨被试任务表现及计算开销，并加入通道缺失扰动检验稳健性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其将单输入 Mamba 扩展为双输入融合模块的具体设计，但遥感融合结果不能直接证明其对 EEG/BCI 多源信号融合有效。

  11. OpenReview · State space models72

    PointMamba：用于点云分析的简单状态空间模型

    基于摘要分析。本文研究点云分析中全局建模与计算成本之间的权衡，提出 PointMamba，将源于 NLP 的 Mamba 状态空间模型（SSM）用于点云分析，以线性复杂度算法替代具有二次复杂度的注意力机制。 核心机制是利用空间填充曲线进行点 token 化，再以简单、非层级的 Mamba 编码器作为骨干。方法的关键路径是将三维空间中的点组织成可供序列模型处理的 token 序列，并利用 SSM 进行全局建模；摘要未说明具体空间填充曲线、点特征构造、训练目标或推理设置。 作者报告，在多个数据集上的评估中，PointMamba 获得更优性能，同时显著降低 GPU 显存使用量与 FLOPs。但摘要没有给出数据集名称、具体任务、划分协议、对照模型或数值，因此无法判断优势的适用范围及不同设置下的可比性。实验协议、消融及统计信息尚未验证。摘要表示代码将公开，当前发布状态及复现所需配置尚未验证。 平台推测（待验证）：可迁移的假设是，线性复杂度的 Mamba 编码器可能缓解长时段 EEG 建模的计算开销；但点云的空间序列化并不直接等同于 EEG 的时间与通道组织。编码器思路可供参考，token 化则需改造成保留时间顺序及电极空间关系的表示，原研究所依赖的监督方式和训练规模尚不明确。低信噪比、跨被试分布差异、通道布局变化及小数据条件均可能使该假设失效。一个可检验的小实验是在固定 EEG 数据划分、训练预算与输入长度条件下，对比 Mamba 与 Transformer 编码器，分别考察任务性能、显存和计算量，并检验通道排序变化的影响。相关 EEG 工作尚未检索确认，这不构成已证实的 BCI 效果。

    阅读价值：值得核对其空间填充曲线序列化与非层级 Mamba 编码器如何兼顾全局建模和计算开销，但摘要中的性能与资源优势及其对 EEG 的适用性尚待验证。

  12. OpenReview · State space models69

    SMamba：用于高光谱图像分类的空间–光谱状态空间模型

    基于摘要分析。本文针对高光谱图像（HSI）分类中空间分辨率较低、光谱信息复杂，以及 Transformer 长程依赖建模计算成本较高的问题，提出空间–光谱状态空间模型 S²Mamba，通过分别提取空间与光谱上下文并自适应融合，实现地表覆盖分类。来源标题使用 SMamba，摘要中的方法名为 S²Mamba，二者写法差异尚待全文核对。 核心机制是沿不同维度设置两个选择性结构化状态空间模型：Patch Cross Scanning 模块通过像素与邻近像素的交互捕获空间上下文；Bi-directional Spectral Scanning 模块从连续光谱波段中提取语义信息。Spatial-spectral Mixture Gate 使用一组可学习矩阵，自适应融合两类表征，以应对均质场景与复杂纹理场景中空间、光谱信息作用不同的问题。摘要以 Mamba 的线性复杂度对比 Transformer 的二次复杂度，但完整模型的计算量、显存和实际运行效率尚未验证。 作者报告，在 HSI 分类基准上的广泛实验显示该方法具有优势，但摘要未提供具体数据集、划分协议、对照模型或指标数值，不能据此量化改进。实验协议、消融及统计信息尚未验证。摘要称代码将公开，当前可用性与复现条件尚未验证。 平台推测（待验证）：其分维建模与门控融合机制可能用于 EEG 的时间–通道表征，但这是假设，不是已证实的 BCI 效果。原方法依赖图像邻域和连续光谱波段结构；迁移时可复用状态空间建模与融合思路，需将扫描方式改造成时间序列及电极拓扑建模，不能直接把光谱波段等同于 EEG 通道。低信噪比、跨被试差异、通道布局变化和小数据可能使门控学习不稳定或产生过拟合。一个可检验的小实验是在固定跨被试划分与训练预算下，对比单时间维状态空间模型、时间–通道双维模型及其门控版本，检查双维融合是否稳定改善同一分类指标。已有 EEG 相关工作尚未检索确认。

  13. OpenReview · EEG79

    EEG-to-Text 模型真的有效吗？

    基于摘要分析。本文研究开放词汇 EEG-to-Text 翻译模型是否真正利用 EEG 信号，核心贡献是审视既有评估中的隐式 teacher-forcing，并引入纯噪声输入对照，以区分信号驱动的解码能力与训练数据记忆带来的表现。 评估机制：作者指出，既有研究在评估时经常使用隐式 teacher-forcing，可能使指标虚高。Teacher-forcing 通常指生成过程中提供真实目标文本的历史信息，而非完全依赖模型自身已生成的内容；但本文涉及的具体实现、受影响模型及评估流程，仍需全文核对。作者同时指出，既有评估缺少纯噪声输入这一关键对照，并提出用于判断模型是否真正从 EEG 中学习的方法。 主要发现：作者报告，在其分析条件下，模型使用噪声输入时的表现可与使用 EEG 输入时相当。摘要未提供数据集、被试数、被试内或跨被试划分、噪声构造方式、具体指标及数值，因此不能量化两者差距，也不能把该发现推广到所有 EEG-to-Text 模型。噪声与 EEG 表现相近提示需要核验模型对信号的依赖，但仅凭摘要不能确定其原因就是训练数据记忆。 阅读与复现重点：应核对推理时可获得的目标文本信息、数据划分、EEG 与噪声对照是否采用一致评估条件，以及结论在不同模型和指标下是否稳定。摘要提供了代码仓库，但代码完整性、运行环境、实验协议、消融及统计信息尚未验证。本文直接讨论 EEG-to-Text 的评估可靠性，不应将其解读为已经实现更有效的 EEG 通信系统。

    阅读价值：值得阅读的具体原因是其以评估阶段的隐式 teacher-forcing 和纯噪声输入对照，检验 EEG-to-Text 模型的生成表现是否真正依赖 EEG 信号，但具体实验协议与结论适用范围尚未验证。

  14. OpenReview · State space models69

    SMamba：用于高光谱图像分类的空间–光谱状态空间模型

    基于摘要分析。该研究针对高光谱图像（HSI）空间分辨率低、光谱信息复杂，以及 Transformer 长程依赖建模计算开销较高的问题，提出空间–光谱状态空间模型 S²Mamba，通过分别提取空间和光谱上下文并自适应融合，服务于高光谱图像分类与地表覆盖分析。来源标题使用 SMamba，摘要中的方法名为 S²Mamba，二者命名关系需以全文核对。 核心机制是沿不同维度设置两个选择性结构化状态空间模型：Patch Cross Scanning 模块通过像素与邻近像素的交互捕获空间上下文；Bi-directional Spectral Scanning 模块从连续光谱波段中提取语义信息；Spatial-spectral Mixture Gate 则利用一组可学习矩阵，自适应融合两类表征。作者以 Mamba 的线性复杂度长程依赖建模为动机，对照 Transformer 的二次复杂度，但摘要未给出实际运行时间、显存或复杂度测量协议。 作者报告在 HSI 分类基准上的实验显示方法具有优势，但摘要未提供数据集名称、数据划分、具体指标、对照结果及统计信息，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。摘要表示代码将公开，当前可用性及复现条件尚未验证。 平台推测（待验证）：迁移假设是将空间扫描用于 EEG 通道关系建模，将另一扫描维度改为时间或频率，并复用自适应融合机制，以应对长序列计算开销及不同维度信息贡献不均的问题。该假设依赖有意义的通道排列、时间或频率结构，以及足够的任务监督；HSI 连续光谱波段并不等同于 EEG 通道或频带，扫描顺序、输入表示与分类头均需改造。低信噪比、跨被试差异、通道布局变化及小数据可能使门控过拟合或邻接假设失效。可在固定 Cross-subject 划分下，以相同预处理和训练预算比较双维度扫描加门控、单维度扫描及简单融合，并同时记录分类指标与计算开销。已有 EEG 相关工作尚未检索确认。

  15. OpenReview · State space models70

    RSCaMa：基于状态空间模型的遥感图像变化描述

    基于摘要分析。本文研究遥感图像变化描述（RSICC）：将不同时相影像中的地表变化转化为语言，描述变化对象的类别、位置及新增或消失等动态。作者提出 RSCaMa，通过多个 CaMa 层迭代细化双时相特征，以联合建模空间变化与时间关系；主要研究对象是遥感影像，而非 EEG 或 BCI。 机制方面，Spatial Difference-aware SSM（SD-SSM）将 Mamba 状态空间模型用于空间建模，利用其全局感受野与线性复杂度特性增强空间变化感知。Temporal-Traversing SSM（TT-SSM）以时间交叉方式扫描双时相特征，促进两个时相之间的信息交互。摘要未说明差异信息的具体构造、扫描序列组织、损失函数或训练流程，不能据此补全实现细节。 作者报告，实验支持联合时空建模的有效性及 RSCaMa 在 RSICC 上的表现，并比较了 Mamba、GPT-style decoder 和 Transformer decoder 三类语言解码器。摘要未提供数据集、划分、评价指标、分数、计算开销或各解码器的相对结果，因此尚不能量化性能优势，也不能判断线性复杂度是否转化为实际速度或显存收益。实验协议、消融及统计信息尚未验证。作者表示将公开代码，但材料不能确认仓库当前的可用性或复现完整性。 平台推测（待验证）：可迁移的假设是，差异感知与成对特征交叉扫描可能有助于建模 EEG 两个时间窗口之间的变化，而非直接迁移遥感语言描述任务。原方法依赖双时相影像特征及描述监督；用于 EEG 时需重新定义窗口配对、通道表示与监督目标，不能将电极邻接直接等同于图像空间邻接。低信噪比、窗口错配、跨被试差异及小数据可能使差异特征主要反映伪迹或个体特征。可在固定被试内划分与相同训练预算下，比较普通 Mamba 扫描和成对交叉扫描，并通过打乱窗口配对检验收益是否确实来自时间关系。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是 SD-SSM 与 TT-SSM 对双时相特征的差异感知和交叉扫描设计，以及三类语言解码器的比较；其在 EEG/BCI 中的适用性尚未验证。

  16. OpenReview · State space models69

    RS3Mamba：用于遥感图像语义分割的视觉状态空间模型

    基于摘要分析。该研究针对遥感图像语义分割中 CNN 长程建模能力受限、Transformer 计算复杂度较高的问题，提出双分支网络 RS3Mamba，以视觉状态空间（VSS）辅助分支为卷积主分支补充全局信息，并通过 collaborative completion module（CCM）细化和融合双编码器特征。 核心机制是结合卷积分支的特征提取与 VSS 分支的长程关系建模。摘要将 Mamba 所代表的 VSS 模型描述为能够以线性计算复杂度建模长程关系；CCM 则针对两分支的不同特性采用自适应机制完成特征融合。具体扫描方式、模块结构、损失函数及训练配置尚未验证，不能据此判断实际计算和存储开销。 作者报告，在遥感语义分割实验中，相对所比较的先进方法，RS3Mamba 在 ISPRS Vaihingen 和 LoveDA Urban 上的 mIoU 提升分别记为 0.66% 和 1.70%。摘要未明确这两个数值属于相对百分比还是绝对百分点，也未提供基线名称、数据划分和分数明细，因此不宜扩大比较结论。实验协议、消融及统计信息尚未验证。摘要提供了源码地址，但实现完整性与复现条件尚未核验。 平台推测（待验证）：局部卷积特征与长程状态空间特征互补的机制，可作为 EEG 时序建模的迁移假设，但原研究依赖遥感图像及语义分割监督，不构成 BCI 有效性证据。可考虑复用双分支融合思路，改造输入编码、序列组织和任务输出；EEG 的低信噪比、通道差异、跨被试分布变化及小数据条件可能使辅助分支收益消失。一个可证伪的小实验是在固定 EEG 数据划分与训练预算下，比较卷积基线、加入 VSS 分支、再加入 CCM 的表现，并分别报告被试内和跨被试结果及计算开销。已有 EEG 相关工作尚未检索确认。

  17. OpenReview · State space models68

    Samba：基于状态空间模型的遥感图像语义分割

    基于摘要分析。本文研究高分辨率遥感图像的语义分割，提出受 Mamba 启发的 Samba 框架，利用状态空间模型（SSM）提取全局及多层级语义信息，以应对 CNN 感受野受限和 ViT 处理长序列时的困难；研究对象是遥感图像，而非 EEG 或 BCI。 技术机制：Samba 采用编码器—解码器架构，以 Samba blocks 构成编码器，使用 UperNet 作为解码器。其核心思路是将 SSM 的长序列建模能力用于高分辨率视觉语义提取。摘要未披露图像序列化方式、具体块结构、损失函数、预训练方式及训练规模，这些实现细节尚未验证。 评估与结果：作者在 LoveDA、ISPRS Vaihingen 和 ISPRS Potsdam 上，将 Samba 与 CNN、ViT 分割方法进行比较。作者报告其取得优于所比较方法的表现，并声称首次展示了 SSM 在遥感图像语义分割中的有效性；摘要未提供具体指标、数值、数据划分或计算开销，因此不能据此确认优势幅度或效率收益。实验协议、消融及统计信息尚未验证。摘要提供了源码及基线实现地址，复现仍需核对正文中的数据预处理、训练配置与评估协议。 平台推测（待验证）：迁移假设是，SSM 的长序列建模机制可能用于 EEG 长时间窗中的时序依赖提取，但原方法依赖图像空间结构与分割监督，原领域有效不等于 BCI 有效。可考虑复用 SSM 编码模块，改造输入为时间—通道序列，并将 UperNet 分割解码器替换为任务适配的预测头。低信噪比、通道布局变化、跨被试分布差异及小数据训练均可能使收益消失。一个可证伪的小实验是在固定 EEG 数据划分与相同预处理下，对比 SSM 编码器与匹配训练预算的 CNN 或 Transformer，分别评估被试内和跨被试表现及长时间窗计算开销；已有 EEG 相关工作尚未检索确认。

  18. OpenReview · EEG66

    EEG-DCNet：一种快速且准确的运动想象 EEG 空洞卷积神经网络分类方法

    基于摘要分析。该研究针对 BCI 中运动想象（MI）EEG 分类的准确性与计算效率问题，提出多尺度空洞卷积神经网络 EEG-DCNet，旨在提取 EEG 的非线性特征与多尺度信息，并降低模型计算资源需求。 方法上，EEG-DCNet 引入 1×1 卷积层和多分支并行空洞卷积架构；作者将滑动窗口用于增强时间一致性，并通过注意力机制改善用户意图识别。摘要未说明各分支的空洞率、1×1 卷积的具体作用、窗口长度与步长、注意力形式，以及损失函数和训练流程，这些实现细节尚未验证。 作者报告，在 BCI-IV-2a、BCI-IV-2b 和 High-Gamma 数据集上的实验中，EEG-DCNet 的分类 Accuracy 与 Kappa 优于所比较的现有方法，并将这些对照描述为 SOTA；但摘要未提供具体分数、基线名单、被试数量或被试内／跨被试等评估协议，不能据此判断提升幅度或跨被试泛化能力。作者还报告模型参数更少，训练效率与内存消耗得到改善，但参数量、训练耗时及内存测量条件尚未验证，也不能据此确认在线推理延迟。 摘要提供了实验代码开源地址，可作为复现入口，代码完整性与运行条件尚未核查。复现时应重点核对数据划分、预处理、滑动窗口与划分的先后关系、对照训练条件，以及各模块的消融和统计信息；这些事项目前属于待验证内容，而非已确认的研究缺陷。研究直接面向 MI-EEG 分类，但摘要中的辅助功能障碍患者恢复活动能力属于应用背景，不构成临床效果验证。

  19. OpenReview · State space models71

    RSCaMa：基于状态空间模型的遥感图像变化描述

    基于摘要分析。本文研究 Remote Sensing Image Change Captioning（RSICC），目标是用语言描述两个时相遥感图像之间的地表变化，包括对象类别、位置及新增或消失等变化。作者提出 RSCaMa，通过多个 CaMa 层迭代细化双时相特征，以联合建模空间变化和时相间关系；研究对象是遥感图像，并非 EEG 或 BCI。 空间建模方面，作者引入具有全局感受野与线性复杂度的 Mamba，并提出 Spatial Difference-aware SSM（SD-SSM），增强对空间变化的感知。时间建模方面，Temporal-Traversing SSM（TT-SSM）以时相交叉方式扫描双时相特征，促进两个时相之间的信息交互。摘要未给出差异信息的具体注入方式、扫描顺序、损失函数及训练配置，相关实现尚未验证。 作者报告，实验支持联合时空建模的有效性及 RSCaMa 在 RSICC 上的性能表现，并系统比较了 Mamba、GPT-style decoder 与 Transformer decoder 三类语言解码器。摘要未提供数据集、划分、评价指标、具体分数或计算资源，因此无法核对优势幅度及效率收益；实验协议、消融及统计信息尚未验证。摘要称代码将公开，但当前可用性与复现条件尚未验证。 平台推测（待验证）：若将两个 EEG 时间窗表示为可比较的特征序列，差异感知与交叉扫描可能用于建模状态变化，而非直接迁移遥感语言描述任务。可复用候选是状态空间交互模块，需改造输入编码、通道与时间顺序及任务输出；遥感空间结构不等同于 EEG 通道结构，低信噪比、跨被试差异和小样本可能使差异特征主要反映噪声。一个可检验的假设是：在同一 EEG 数据划分及近似参数预算下，交叉扫描相比独立扫描能改善状态变化识别，可通过替换扫描方式并加入噪声扰动检验。该假设不构成已证实的 EEG/BCI 效果，已有相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其差异感知空间建模与双时相交叉扫描机制，以及三类语言解码器的对照；摘要尚不足以验证性能优势或 EEG/BCI 迁移价值。

  20. OpenReview · State space models72

    SSUMamba：用于高光谱图像去噪的空间—光谱选择性状态空间模型

    基于摘要分析。本文研究高光谱图像（HSI）去噪中长程空间—光谱相关性建模与计算开销之间的矛盾，提出基于 Mamba 的 SSUMamba，以连续扫描、双向状态空间模型（SSM）和局部三维卷积结合建模空间—光谱依赖；主要研究对象是高光谱图像，而非 EEG 或 BCI。 核心模块为空间—光谱连续扫描（SSCS）Mamba：以行、列和光谱波段的六种不同顺序生成序列，并在相邻扫描之间重排图像，以维持空间—光谱连续性；双向 SSM 用于提取长程依赖，嵌入的 3D 卷积增强局部空间—光谱建模。摘要未说明完整网络结构、损失函数、训练配置及具体扫描实现，这些尚需正文核对。 作者报告，在文中实验条件下，SSUMamba 相较基于 Transformer 的方法取得更好的去噪结果，且每批次显存消耗更低。摘要未提供数据集、噪声类型、划分、评价指标、数值及具体对照模型，因此不能判断改进幅度或不同设置下的稳定性；实验协议、消融及统计信息尚未验证。材料提供了源码地址，但代码内容、依赖与可复现程度尚未核验。 平台推测（待验证）：迁移假设是，将连续扫描与双向 SSM 用于具有明确电极拓扑和时间顺序的 EEG 去噪，可能兼顾局部结构与长程依赖。可复用的是序列建模思路；需改造的是扫描路径与局部卷积，因为高光谱波段不能直接等同于 EEG 通道，电极排列也不天然构成规则图像网格。低信噪比、跨被试差异、通道配置变化和小数据训练可能使扫描邻接关系失真或导致过度平滑。一个可检验的小实验是：在固定 EEG 数据划分和相同污染条件下，对比拓扑连续扫描与任意通道顺序，核对去噪质量、任务相关信号保留情况及同批次条件下的显存消耗；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其连续扫描与双向 SSM 如何兼顾长程依赖建模和显存效率，但高光谱图像的空间—光谱结构与 EEG 的通道—时间结构不同，迁移有效性尚未验证。

  21. OpenReview · State space models73

    Mamba-ST：用于高效风格迁移的状态空间模型

    基于摘要分析。该研究面向图像风格迁移：给定内容图像与风格来源，生成保留内容、呈现目标艺术风格的图像。作者提出 Mamba-ST，通过修改 Mamba 的状态空间模型（SSM）内部方程，使其接收并融合两路独立数据流，以替代风格迁移中的 cross-attention 功能。 核心机制是将两个独立嵌入组合为单一输出，而不依赖额外的 cross-attention 或定制归一化层。研究针对的是 Transformer 注意力层的内存开销，以及扩散模型较高的推理时间。作者称这是其所知首次通过改写 SSM 方程、在不使用上述额外模块的情况下完成这类视觉风格迁移任务；这一优先性主张尚未独立核实。摘要未给出具体方程、两路输入的组织方式、训练目标或推理流程。 作者报告，在与 Transformer 和扩散模型的风格迁移比较中，Mamba-ST 在 ArtFID 和 FID 指标上表现更好，并具有内存与时间复杂度优势。摘要未提供分数、数据集、划分、对照模型或硬件条件，因此不能量化改善幅度，也不能判断效率优势在何种分辨率和输入长度下成立。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但实现完整性与复现条件尚未核对。 平台推测（待验证）：可供 EEG/BCI 研究考察的是双数据流条件融合机制，而非图像风格迁移效果本身。假设 EEG 时序表示需要与任务或被试条件表示交互，该机制可能成为 cross-attention 的替代候选；但需改造输入编码、时间对齐与训练目标，且原方法对配对数据、监督和训练规模的具体依赖尚未验证。低信噪比、通道差异及小数据可能使融合机制难以学到稳定关系。一个可检验的小实验是在固定跨被试划分、编码器与训练预算下，仅替换双流融合模块，对比 cross-attention 与改造后的 Mamba-ST，核对分类 Accuracy、显存和推理延迟。该假设不构成已验证的 EEG/BCI 效果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 Mamba-ST 如何通过修改 SSM 内部方程实现双数据流融合，以及其相对 cross-attention 的质量与资源开销权衡；摘要报告了效果优势，但具体评估协议与效率数据尚未验证。

  22. OpenReview · State space models73

    STG-Mamba：基于选择性状态空间模型的时空图学习

    STG-Mamba 面向动态、异质且非平稳的时空图（STG）预测，将图网络视为随时间演化的系统，结合选择性状态空间模型与图表示学习。基于摘要分析，未取得论文全文；研究主要对象是通用时空图预测，而非 EEG 或 BCI。 核心机制：作者提出 Spatial-Temporal Selective State Space Module（ST-S3M），用于选择性地建模 STG 潜在特征及系统的时间状态演化；同时提出 Kalman Filtering Graph Neural Networks（KFGN），通过基于 Kalman Filtering 统计理论的可学习方法，动态整合和更新不同时间粒度的 STG 嵌入。相较于作者所描述的偏重节点关系建模的 GNN 方法，其着眼点是联合刻画图结构与系统内在状态的时间变化。具体状态更新、选择机制、滤波参数化方式、损失函数及训练流程尚未验证。作者将该工作称为选择性状态空间模型用于 STG 学习的首次探索，这一优先性主张尚未独立核实。 结果与复现：作者报告在三个 STG 预测基准数据集上，STG-Mamba 的预测性能优于所比较的现有方法，并降低 FLOPs 和测试推理时间。摘要未提供数据集名称、划分、指标、具体分数或计算测量条件，因此无法量化收益或判断不同设置下的可比性；实验协议、消融及统计信息尚未验证。摘要提供了实现代码地址，但代码内容、运行环境和复现完整性尚未核验。 平台推测（待验证）：若将 EEG 通道作为节点、时间窗作为序列，选择性状态演化与多时间粒度融合可能对应 EEG 非平稳性及跨时间尺度依赖问题。可考虑复用状态空间建模与表示融合思路，但需改造通道图构建、输入特征及任务输出；原方法依赖的图结构、监督方式和训练规模仍需查阅正文。低信噪比、通道配置变化、被试差异及小数据可能使状态选择或滤波估计不稳定。一个可证伪的小实验是在固定被试内 EEG 划分下，比较完整组合与去除 KFGN 的版本，并在匹配训练预算的前提下检验任务指标、推理成本及加噪后的稳定性。原领域结果不构成 BCI 有效性的证据，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 ST-S3M 与 KFGN 如何结合系统状态演化和多时间粒度图表示，以及预测性能与计算成本的对照；其对 EEG 时空建模的适用性尚未验证。

  23. OpenReview · EEG64

    基于时间—空间—频谱注意力的 EEG 自动癫痫发作分类域适应方法

    基于摘要分析。该研究针对 EEG 被试内及被试间变异造成的癫痫发作分类困难，提出结合时间—空间—频谱（temporal-spatial-spectral，TSS）注意力与域适应的深度卷积神经网络，旨在改善模型向新被试迁移时的性能。 核心机制是联合优化特征提取器、癫痫发作分类器和域判别器：特征提取器通过注意力模块提取多层级 TSS 特征，域判别器区分特征来自源域还是目标域，并借助梯度反转层推动特征提取器学习域不变表示。分类器则利用源域学到的知识进行癫痫发作分类。这一设计将 EEG 多维特征提取与源域—目标域对齐结合，但注意力的具体实现、各训练目标的形式与权重尚未验证。 作者报告在 Temple University Hospital EEG Seizure Corpus（TUSZ）v1.5.2 上进行了评估，并称取得癫痫发作分类的 state-of-the-art 性能。摘要未提供具体指标、数值、对照方法、被试数量或数据划分，因此该结论目前只能作为作者报告，不能据此判断提升幅度或与其他协议下的结果直接比较。 复现时需重点核对源域与目标域的被试划分、训练阶段使用哪些目标域数据及是否使用标签，并确认“未见被试”的评估含义，以区分域适应与完全不接触目标域数据的域泛化。材料提供了代码地址，但代码内容、运行条件、实验协议、消融及统计信息尚未验证；尤其需要核对 TSS 注意力和域对抗训练各自的贡献。该工作属于 EEG 癫痫发作分类方法研究，摘要中的诊断与治疗应用动机不等同于已完成临床验证。

  24. OpenReview · State space models70

    MambaEVT：使用状态空间模型的基于事件流的视觉目标跟踪

    基于摘要分析。MambaEVT 研究事件相机视觉目标跟踪，针对现有方法使用 vision Transformer 与静态目标模板所面临的性能瓶颈，提出以 Mamba 状态空间模型为骨干、结合动态与静态模板的跟踪框架。其主要研究对象是视觉事件流，并非 EEG 或 BCI。 机制上，搜索区域与目标模板共同输入 vision Mamba，进行特征提取与交互；搜索区域的输出 tokens 再输入跟踪头完成目标定位。动态模板由 Memory Mamba 网络更新，更新过程考虑目标模板库中样本的多样性，并调整模板记忆模块。摘要未提供事件流表示方式、模板选择与更新条件、损失函数或训练流程，这些实现细节尚未验证。摘要所述线性复杂度针对状态空间模型骨干，不能直接等同于完整系统的端到端计算成本。 作者报告，该方法在 EventVOT、VisEvent 和 FE240hz 等大规模数据集上取得了准确性与计算成本之间的良好平衡，但摘要未给出具体指标、分数、数据划分、对照基线或运行成本测量条件，无法据此量化收益。实验协议、消融及统计信息尚未验证；尤其需核对动态模板相对静态模板的独立贡献，以及记忆更新在目标外观变化或遮挡时的稳定性。作者表示将发布源代码，当前材料不能确认其已公开或具备完整复现条件。 平台推测（待验证）：可迁移的假设是，以状态空间模型处理长时序，并用动态模板记忆适应信号表征随时间变化，或可用于 EEG 跨会话漂移研究。但视觉方法依赖搜索区域、目标模板及定位任务结构，EEG 需重新设计通道与时间表示、模板含义及任务输出，不能直接复用视觉定位头。低信噪比、小样本与被试差异可能使记忆更新吸收噪声或错误预测。一个可证伪的小实验是在固定跨会话 EEG 任务与相同骨干下比较静态模板和动态记忆，明确更新可用信息，并同时记录任务指标与推理成本。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是其以线性复杂度状态空间模型联合处理搜索区域与目标模板，并通过 Memory Mamba 更新模板记忆的机制；具体性能收益及向 EEG 时序任务迁移的有效性尚未验证。

  25. OpenReview · State space models80

    状态空间模型的无状态推理：传递函数方法

    基于摘要分析。本文研究深度学习状态空间模型的高效序列计算，通过其对偶表示——传递函数——设计频域参数化，并提出无需显式状态的序列并行推理算法。核心贡献是直接计算对应卷积核的频谱，降低状态规模增大带来的计算与内存开销。 机制上，作者利用所提出的频域传递函数参数化性质，通过一次 Fast Fourier Transform（FFT）得到对应卷积核的频谱。作者称，无状态推理不会随着状态规模增加而产生显著的额外内存或计算成本；这一表述不等于整体计算成本为零，也不能据此认定其支持同样高效的逐样本在线推理。参数化的具体形式、数值稳定性及训练与推理的实现细节尚未验证。 结果方面，作者报告：在 Long Range Arena 上，跨多个序列长度与状态规模的实验中，相对采用时域参数化的 S4 层，平均训练速度提升 35%，并在所比较的无注意力方法中取得作者所称的领先下游表现。摘要未提供具体任务分项、绝对分数、硬件与计时条件，不能据此比较不同协议的性能。作者还报告，在语言建模中，仅引入该传递函数参数化即可相对长卷积 Hyena 基线改善 perplexity，但未给出数值。摘要提供了代码地址；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 长序列建模确实受状态规模相关开销限制，该参数化与卷积计算模块可能具有复用价值，但仍需适配多通道输入与任务监督。低信噪比、通道差异和小样本可能使计算优势无法转化为解码收益。可在固定数据划分、输入长度、硬件与训练预算下，对照 S4 比较训练吞吐量、峰值显存及同一任务指标，并随序列长度与状态规模变化检验该假设；这不是已证实的 BCI 效果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其传递函数参数化如何降低大状态规模下的序列并行计算开销，以及作者报告的相对 S4 训练提速能否在相同实现与评估条件下复现；其对 EEG 长序列建模的价值尚未验证。

  26. OpenReview · State space models79

    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 适配为具有线性时间复杂度的视觉骨干 VMamba，核心贡献是用 2D Selective Scan（SS2D）处理二维视觉数据与一维选择性扫描之间的结构差异。 技术机制：VMamba 由 Visual State-Space（VSS）块堆叠构成，SS2D 沿四条扫描路径遍历二维数据，以收集不同来源和视角的上下文信息。作者据此构建一系列 VMamba 架构，并通过架构与实现层面的改进加速。摘要未给出具体扫描方向、状态更新公式、损失、训练配置及各加速措施，尚不能核对其计算开销与性能收益的来源。 结果与复现：作者报告，VMamba 在多种视觉感知任务上表现良好，相较现有基准模型具有更优的输入规模扩展效率。摘要未列出任务、数据集、指标、数值或对照配置，因此不能据此判断优势幅度，也不能将线性时间复杂度直接等同于实际运行速度。实验协议、消融及统计信息尚未验证。材料提供了源码仓库，但实现与论文版本的对应关系及完整复现条件仍需核对。 平台推测（待验证）：迁移假设是将 EEG 的时间与通道，或时频表示，组织为二维输入，借用多路径选择性扫描建模上下文。原方法依赖二维结构，预训练数据规模与监督设置在摘要中未说明；EEG 的通道排列并不天然等同于图像邻接关系，因此可考察 SS2D 与 VSS 模块，但需改造输入编码、通道拓扑和任务输出。低信噪比、跨被试差异、缺失通道及小数据可能使扫描路径引入不稳定依赖或过拟合。一个可证伪的小实验是在固定 EEG 任务、训练预算与数据划分下，对比二维多路径扫描、仅时间扫描及常规基线，并扰动通道顺序，检验收益是否依赖人为排列；这不是论文已验证的结果，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，以及输入规模扩展效率的评估；该机制对 EEG 的适用性尚未验证。

  27. OpenReview · State space models73

    HTD-Mamba：基于金字塔状态空间模型的高效高光谱目标检测

    基于摘要分析。本文研究地球观测中的高光谱目标检测（HTD），即从复杂背景中逐像素识别目标，针对先验知识有限和光谱变异导致的表征不足与性能不稳定，提出自监督方法 HTD-Mamba。核心贡献是将空间编码光谱增强、光谱对比学习与金字塔状态空间模型（SSM）结合，以学习用于目标与背景相似性判别的内在特征。 机制上，空间编码光谱增强将局部 patch 内周围像素的信息编码为中心像素的变换视图，以增加训练样本并利用空间上下文。方法把像素的光谱划分为连续分组的光谱嵌入，再通过 Mamba 建模光谱序列的长程依赖；摘要将其复杂度描述为线性。金字塔 SSM 骨干用于捕获并融合多分辨率光谱特征，以缓解光谱变异。作者声称首次将 Mamba 引入 HTD，该优先性尚未独立核实；具体对比损失、分组方式及多分辨率融合实现尚未验证。 作者报告，在四个公共数据集上的定量与定性评估中，HTD-Mamba 优于所比较的先进方法。摘要未提供数据集名称、划分、指标数值、基线配置或效率测量条件，因此无法核对优势幅度与评估可比性。实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但实现完整性、训练配置和复现结果尚未核验。 平台推测（待验证）：可考察的迁移机制是连续序列分组、长程依赖建模及多尺度特征融合，而非将高光谱检测直接视为 BCI 任务。假设这些机制能用于 EEG 时间序列，需重新设计时间分组、增强视图及监督目标；光谱波段顺序和图像邻域结构不能直接等同于 EEG 通道布局。低信噪比、跨被试差异与小数据可能使增强破坏任务信息或使多尺度模型过拟合。一个可证伪的小实验是在固定跨被试划分、相同增强和相近参数规模下，对比单尺度与金字塔 SSM 的 MI 分类性能，并核对多尺度收益是否稳定。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。

    阅读价值：值得核对其空间编码光谱增强与金字塔 SSM 如何共同改善光谱变异下的目标表征；摘要提供了代码地址，但性能优势及向 EEG 的迁移价值尚未验证。

  28. 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。

  29. OpenReview · State space models71

    Pan-Mamba：基于状态空间模型的有效全色锐化

    基于摘要分析。Pan-Mamba 研究全色锐化问题，即融合低分辨率多光谱图像与高分辨率全色图像，生成高分辨率多光谱图像；其核心贡献是利用 Mamba 的全局信息建模能力，并设计两个面向跨模态交互与融合的组件。 机制方面，channel swapping Mamba 通过交换部分全色与多光谱特征通道，开展轻量级跨模态交互；cross-modal Mamba 则利用模态之间的内在关系增强信息表示。摘要未提供具体状态空间参数化、特征序列化方式、损失函数、训练与推理设置，不能据此确定网络结构细节或计算成本。 作者报告，在多个数据集上的实验中，Pan-Mamba 超过所比较的当前先进方法，获得更好的全色锐化融合结果；但摘要未给出数据集名称、划分、基线、指标或数值，因此尚不能判断优势幅度及不同评估协议下的稳健性。作者将该工作描述为首次探索 Mamba 在全色锐化中的潜力，此优先性主张尚未独立核实。摘要提供了源码地址，但实现与复现条件尚未验证；实验协议、消融及统计信息亦尚未验证。 平台推测（待验证）：迁移假设是将跨模态信息交换机制用于 EEG 与其他同步信号的融合，而非直接复用图像锐化网络。原任务依赖空间对应且分辨率互补的图像输入；EEG 场景需重新定义时间对齐、通道映射、特征序列化和任务监督。可能复用的是跨模态交换与融合模块，需改造的是输入表示及输出目标。低信噪比、跨被试差异、通道缺失和小数据可能使交换特征引入噪声或过拟合。一个可证伪的小实验是在固定数据划分与相近参数预算下，对同步 EEG 多模态任务比较简单融合、加入 channel swapping 及进一步加入 cross-modal Mamba 的表现，并测试模态噪声扰动下的稳定性；这不构成已验证的 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 channel swapping Mamba 与 cross-modal Mamba 如何实现跨模态信息交换，但融合优势及向 EEG 多模态任务迁移的有效性仍需核对实验与验证。

  30. OpenReview · State space models73

    RSMamba：基于状态空间模型的遥感图像分类

    基于摘要分析。本文研究遥感图像场景分类，提出基于状态空间模型（SSM）与 Mamba 的 RSMamba，通过动态多路径激活机制增强对二维非因果数据的建模能力，目标是在全局感受野与线性建模复杂度之间兼顾效率和表达能力。 核心机制：作者指出，原始 Mamba 的因果序列建模方式难以直接适配二维图像，因此引入动态多路径激活，同时保留原始 Mamba 的内在建模机制。摘要未说明路径如何构造、激活如何计算，以及图像序列化、训练损失和推理流程的具体实现；其效率优势仍需结合实际输入规模、硬件与运行测量核对。 作者报告，在 UC Merced、AID 和 RESISC45 遥感图像分类数据集上，F1 分别为 95.25、92.63 和 95.18，并称超过同期 Vim 与 VMamba。摘要未明确这些数值的单位、F1 的平均方式、训练测试划分及基线配置，因而不能据此进行跨协议比较。作者进一步提出其作为未来视觉基础模型骨干的潜力，这不等同于已验证的基础模型能力。摘要提供了代码仓库，但实现与论文的一致性尚未核验；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的机制假设是，多路径建模可能缓解将 EEG 通道—时间数据组织为序列时，对单一路径和固定顺序的依赖。原研究依赖二维图像结构与分类任务，具体监督方式及训练规模尚未验证；用于 EEG 时需改造输入编码、通道空间关系和路径定义，不能将图像邻接关系直接视作电极关系。低信噪比、跨被试差异、通道变化及小数据可能使多路径机制拟合噪声或增加训练不稳定性。一个可证伪的小实验是在固定 EEG 数据划分、预处理和训练预算下，对比单路径 Mamba 与多路径变体，分别报告被试内和跨被试的同一指标，并检验通道顺序扰动下的表现。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其面向二维非因果数据的动态多路径激活机制及与 Vim、VMamba 的对照，但其对 EEG 空间—时间建模的价值尚未验证。

  31. OpenReview · State space models68

    SMamba：用于高光谱图像分类的空间–光谱状态空间模型

    基于摘要分析。该研究针对高光谱图像（HSI）空间分辨率低、光谱信息复杂，以及 Transformer 空间–光谱长程依赖建模计算开销较高的问题，提出 S²Mamba，以分别建模空间与光谱上下文并自适应融合来支持地表覆盖分类。来源标题使用 SMamba，摘要中的方法名为 S²Mamba，此处保留这一差异。 核心机制包括两个沿不同维度提取特征的选择性结构化状态空间模型：Patch Cross Scanning 模块通过像素与邻近像素的交互捕获空间上下文；Bi-directional Spectral Scanning 模块从连续光谱波段中提取语义信息。Spatial-spectral Mixture Gate 由一组可学习矩阵实现，用于自适应融合两个维度的表征。摘要将这一设计与均质场景、复杂纹理场景中空间及光谱信息作用不同联系起来。其效率动机来自 Mamba 的线性复杂度长程建模，相对于摘要所述 Transformer 的二次复杂度；具体运行时间、显存及复杂度测量尚未验证。 作者报告，在 HSI 分类基准上的广泛实验显示 S²Mamba 具有优势，但摘要未提供基准名称、数据划分、对照方法或数值指标，实验协议、消融及统计信息尚未验证。摘要表示代码将公开，实际可用性与复现条件尚未验证。 平台推测（待验证）：迁移假设是，空间与光谱分维建模、门控融合的思路可用于探索 EEG 的电极空间与时间或频率信息融合，但 HSI 的连续光谱波段不等同于 EEG 通道或频带。可复用候选是状态空间建模与融合门控；扫描顺序、邻接关系和输入表示需根据电极布局及任务改造。低信噪比、跨被试差异、通道缺失和小样本可能使门控过拟合或扫描结构失配。一个可证伪的小实验是在固定 Cross-subject 划分与训练预算下，对比双维建模加门控、单维建模及固定融合，检验融合收益是否稳定。已有 EEG 相关工作尚未检索确认。

  32. 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。

  33. OpenReview · State space models71

    MambaIR：基于状态空间模型的简单图像复原基线

    基于摘要分析。本文研究图像复原骨干在全局感受野与计算效率之间的权衡，提出 MambaIR，在标准 Mamba 中引入局部增强和通道注意力，以缓解低层视觉中的局部像素遗忘与通道冗余；主要研究对象是图像复原，而非 EEG 或 BCI。 机制上，作者利用 Mamba 的长程依赖建模能力及线性复杂度，通过局部增强利用邻近像素相似性，通过通道注意力降低通道冗余。摘要未说明局部增强的具体算子、图像扫描方式、注意力结构、损失函数及训练配置，不能据此推断实现细节。 作者报告，在图像超分辨率（SR）实验中，MambaIR 在计算成本相近且具有全局感受野的条件下，相比 SwinIR 的提升最高达 0.45 dB。摘要未明确该数值对应的指标名称、数据集、放大倍率、数据划分及计算成本口径，因而不能将其视为所有设置下的平均收益。作者提供了代码地址，但代码可运行性、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移假设是，长程状态空间建模与局部增强的组合或可用于兼顾 EEG 长时间依赖与局部波形结构；但原方法依赖图像空间邻域及像素相似性，摘要未交代监督形式和数据规模。可尝试复用状态空间模块，将局部增强改为时间邻域处理，并先核对通道注意力作用于特征通道还是传感器通道，再决定是否引入电极拓扑。低信噪比可能使局部增强放大伪迹，跨被试差异、通道布局变化及小数据也可能削弱收益。一个可证伪的小实验是在固定 EEG 数据划分、预处理和近似计算预算下，对比标准 Mamba、加入时间局部增强、加入通道注意力及二者组合，并分别报告被试内与跨被试结果；若组合未带来稳定收益，则不支持该迁移假设。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 MambaIR 如何结合长程状态空间建模、局部增强与通道注意力改善图像复原，但其对 EEG 的可迁移性尚未验证。

  34. OpenReview · State space models76

    START：一种采用显著性驱动的 Token 感知变换的泛化状态空间模型

    基于摘要分析。该研究面向视觉域泛化（Domain Generalization，DG），目标是从多个源域学习并泛化到未见目标域，提出基于状态空间模型（SSM）的 START，通过显著性驱动的 token 感知变换抑制域特异性特征。其主要研究对象是视觉模型在域偏移下的泛化能力，并非 EEG 或 BCI。 作者将 CNN 的纹理偏置与 ViT 自注意力的二次复杂度作为方法动机，转而研究具有序列长度线性复杂度的 Mamba。作者认为，SSM 的输入依赖矩阵可能累积并放大域特异性特征，从而妨碍泛化；START 在这些矩阵中对显著 token 的域特异性特征进行选择性扰动与抑制，旨在降低域间差异。摘要未说明显著性的计算方式、扰动规则、损失函数或训练与推理阶段的具体安排。 作者报告，在五个基准的 DG 评估中，START 优于已有 SOTA DG 方法，并保持高效的线性复杂度；但摘要未列出基准名称、源域与目标域划分、指标、数值及对照配置，不能据此量化性能或实际计算开销。实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但实现完整性与复现条件尚未核对。 平台推测（待验证）：若 EEG 的跨被试或跨会话偏移也会通过 Mamba 输入依赖矩阵放大非任务特征，该机制可能具有迁移价值。可尝试复用矩阵内的 token 变换，但需改造 EEG 的时间或通道 token 表示及显著性判据，并依赖具有明确域标签的多源训练数据。低信噪比、通道差异与小数据可能导致显著性定位不稳，甚至将有效神经活动误作域特征而抑制。一个可检验的小实验是在固定跨被试划分下，对比同一 EEG Mamba 基线与加入该变换的版本，保持训练预算和预处理一致，检查未见被试的分类指标及扰动稳定性。此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。

    阅读价值：值得核对其对 Mamba 输入依赖矩阵中域特异性特征累积的分析，以及显著性驱动 token 扰动能否改善域泛化；摘要中的性能优势及向 EEG 的迁移价值尚待验证。

  35. OpenReview · State space models67

    HRVMamba：用于密集预测的高分辨率视觉状态空间模型

    基于摘要分析。该研究针对 Mamba 在人体姿态估计和语义分割等密集预测任务中归纳偏置不足、长程遗忘及输出表示分辨率偏低的问题，提出 Dynamic Visual State Space（DVSS）模块，并结合 HRNet 的多分辨率并行设计构建 HRVMamba。 机制上，DVSS 使用多尺度卷积核提取不同尺度的局部特征，以增强视觉归纳偏置；使用可变形卷积进行依赖输入与任务信息的自适应空间聚合，作者将其作用解释为缓解长程遗忘。HRVMamba 在整个处理过程中保留高分辨率表示，同时促进多尺度特征学习。摘要以 Mamba 对 token 长度的线性计算复杂度和全局感受野为背景，但未给出 HRVMamba 的实际计算量、内存占用或速度测量，不能直接据此认定新模型具有相同的效率表现。 作者报告，HRVMamba 在人体姿态估计和语义分割等密集预测实验中取得了相对现有基准模型有竞争力的结果。摘要未列出数据集、划分、基线名称、评价指标及具体数值，因而尚不能判断收益幅度或不同任务中的一致性。实验协议、消融及统计信息尚未验证；复现时应重点核对多尺度卷积、可变形卷积和多分辨率并行设计的独立贡献及计算成本。摘要提供了代码仓库地址，但代码内容、运行环境及结果可复现性尚未验证。 平台推测（待验证）：迁移假设是，多尺度局部建模与高分辨率表示保留可能有助于 EEG 时间序列中的短时事件定位，但原方法面向具有规则空间结构的视觉密集预测，不能直接视为已验证的 BCI 方法。可复用的是多尺度特征提取思路；空间聚合及高分辨率分支需依据 EEG 的时间轴、电极布局和目标监督重新设计。低信噪比、跨被试差异、通道配置变化及小样本可能使自适应聚合学习到不稳定模式。一个可检验的小实验是在固定 EEG 事件定位任务及相同被试划分下，比较基础 SSM 与加入多尺度卷积的版本，核对定位指标和计算成本，再评估可变形聚合是否带来增益。已有 EEG 相关工作尚未检索确认。

  36. OpenReview · State space models69

    SMamba：用于高光谱图像分类的空间–光谱状态空间模型

    基于摘要分析。该研究针对高光谱图像（HSI）空间分辨率低、光谱信息复杂，以及 Transformer 建模空间–光谱长程依赖时计算开销较大的问题，提出空间–光谱状态空间模型 S²Mamba，通过分维度特征提取与自适应融合完成高光谱图像分类。来源标题使用 SMamba，摘要中的方法名称为 S²Mamba，此处保留这一差异。 核心机制是分别沿空间和光谱维度使用选择性结构化状态空间模型：Patch Cross Scanning 模块通过像素与邻近像素的交互捕获空间上下文；Bi-directional Spectral Scanning 模块从连续光谱波段中提取语义信息。Spatial-spectral Mixture Gate 由一组可学习矩阵实现，用于自适应融合两个维度的表示，以适应均质区域与复杂纹理场景。摘要以 Mamba 的线性复杂度对比 Transformer 的二次复杂度，但完整模型的实际计算量、运行速度及比较条件尚未验证。 作者报告，在 HSI 分类基准上的实验支持该方法的优势，但摘要未提供数据集名称、数据划分、对照基线或具体指标，不能据此量化收益。实验协议、消融及统计信息尚未验证。摘要表示代码将公开，当前可用性及复现所需的配置、训练细节尚未验证。 平台推测（待验证）：可检验的迁移假设是，将分维度扫描与门控融合用于 EEG 的时间–通道或时间–频率依赖建模，可能降低长序列处理成本。可复用的是选择性状态空间建模及融合思路；需改造扫描顺序、通道邻接关系和输入表示，因为 HSI 的空间邻域与连续光谱波段不能直接等同于 EEG 的电极与频率结构。EEG 低信噪比、跨被试差异、通道配置变化和小样本训练可能使门控不稳定或扫描关系失效。一个小规模可证伪实验是在固定数据划分与训练预算下，对比单维度扫描、双维度扫描及加入门控的版本，分别评估被试内与跨被试表现，并记录计算开销。已有 EEG 相关工作尚未检索确认。

  37. OpenReview · State space models75

    Multi-Scale VMamba：层级内嵌层级的视觉状态空间模型

    基于摘要分析。该研究面向视觉状态空间模型（SSMs）中多扫描策略带来的冗余，提出 Multi-Scale Vision Mamba（MSVMamba），通过多尺度 2D 扫描与通道混合模块，改善视觉任务中的效率与性能权衡。 核心机制：作者将多扫描策略的有效性与长程依赖建模联系起来，在原始及下采样特征图上执行多尺度 2D 扫描，以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。摘要未给出扫描路径、尺度配置、下采样方式、参数量或计算量，具体效率收益与各模块贡献尚未验证。 作者报告：MSVMamba-Tiny 在 ImageNet 上取得 82.8% top-1 Accuracy；在 COCO 上采用 Mask R-CNN 框架和 1x 训练日程，取得 46.9% box mAP 与 42.2% instance mAP；在 ADE20K 上采用单尺度测试，取得 47.6% mIoU。这些结果分别对应图像分类、目标检测、实例分割与语义分割，不能跨任务直接比较。摘要未提供具体对照模型与完整训练配置，实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但实现与复现条件尚未核验。 平台推测（待验证）：假设多尺度扫描可用于缓解 EEG 长序列建模的计算负担，可复用的部分是多尺度 SSM 扫描思路，需改造的是视觉 2D 特征布局、下采样与通道混合方式。原方法处理具有二维空间结构的图像特征；EEG 的时间—电极结构不能直接等同于图像，低信噪比、跨被试差异、通道配置变化及小数据训练都可能使收益失效，下采样也可能丢失短暂事件。一个可检验的小实验是在固定 EEG 数据划分与相同训练预算下，对比单尺度和多尺度扫描，分别报告被试内与跨被试性能、计算开销，并检查短时信息保留情况；这不是本文已验证的结果。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对多尺度 2D 扫描能否减少视觉 SSM 的多扫描冗余，同时保留长程依赖建模能力；摘要提供了多个视觉任务的结果，但效率收益及其对 EEG 的适用性尚未验证。

  38. OpenReview · Representation learning70

    GRLC：带约束的图表示学习

    基于摘要分析。GRLC 针对对比表示学习设计中较少考虑下游任务损失、可能限制表示泛化能力的问题，提出基于对比学习的无监督图表示学习（UGRL）框架，将语义与结构信息的关联以及面向下游任务的约束纳入表示学习。 核心机制包括最大化数据语义信息与结构信息之间的互信息，并设计三个约束，同时考虑下游任务与表示学习，以获得稳健的低维表示。此处互信息不是运动想象任务中的 MI。摘要未说明语义与结构信息的具体定义、互信息估计方式、三个约束的数学形式，以及下游任务信息如何在无监督训练中参与优化，这些均需核对全文。 作者报告，在 11 个公开数据集、不同下游任务的实验中，GRLC 优于近期先进方法；摘要没有给出数据集名称、划分协议、具体任务、指标、数值或对照配置，因此不能据此判断提升幅度或跨任务泛化范围。实验协议、消融及统计信息尚未验证。材料提供了代码仓库，但实现内容、运行依赖及结果可复现性尚未核验。 平台推测（待验证）：若 EEG 被表示为通道或脑区节点及其连接构成的图，语义—结构互信息目标和任务相关约束可能对应“图结构与解码目标不一致”的瓶颈。可尝试复用图表示学习目标，但需重新定义 EEG 节点特征、连接结构及约束的监督来源；具体实现仍依赖全文。低信噪比、跨被试连接差异、通道配置变化和小样本可能使结构估计不稳定或约束过拟合。一个可检验的小实验是在固定 EEG 图构建方式和跨被试划分下，对比基础图对比学习与逐项加入 GRLC 约束的版本，并核对测试被试标签是否参与训练。原领域结果不等于 BCI 有效性，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 GRLC 如何在无监督图表示学习中通过约束关联下游任务目标，以及这些约束在不同任务上的收益；其 EEG/BCI 适用性尚未验证。

  39. OpenReview · State space models72

    SSUMamba：用于高光谱图像去噪的空间–光谱选择性状态空间模型

    基于摘要分析。该研究针对高光谱图像（HSI）去噪中长程空间–光谱相关性建模复杂度较高的问题，提出基于 Mamba 的 SSUMamba，以连续扫描和双向状态空间模型（SSM）建模长程依赖，并结合 3-D 卷积增强局部建模。其主要研究对象是高光谱图像，而非 EEG 或 BCI 信号。 核心组件为空间–光谱连续扫描（SSCS）Mamba：按照行、列、波段三个维度的六种不同顺序生成序列，通过双向 SSM 捕获长程空间–光谱依赖；在各顺序中，对相邻扫描之间的图像排列进行调整，以保持空间–光谱连续性。嵌入的 3-D 卷积则用于增强局部空间–光谱关系建模。摘要未提供损失函数、训练策略及完整网络配置。 作者报告，在高光谱图像去噪实验中，SSUMamba 相比基于 Transformer 的方法取得更好的去噪结果，且每批次显存消耗更低。摘要未给出数据集、噪声设置、评价指标、具体数值及对照模型，因此尚不能判断优势的适用范围；实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但实现与复现条件尚未核对。 平台推测（待验证）：可考察的迁移假设是，将具有明确邻接结构的 EEG 时频–通道表示组织为连续序列，用双向 SSM 建模长程关系，并以局部卷积保留邻域信息。然而，EEG 通道并不天然构成规则图像网格，频率轴也不等同于高光谱波段；扫描顺序、通道拓扑和卷积邻域需要改造，训练所需的去噪监督及数据规模亦尚未验证。低信噪比、跨被试差异、通道配置变化与小样本可能使该机制失效，去噪也可能削弱任务相关神经成分。一个可检验的小实验是在固定被试内划分和相同噪声设置下，对比连续扫描与普通序列化的 EEG 去噪模型，同时检查信号重建质量和下游任务表现，以检验连续性设计是否有效。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其通过连续扫描与双向 SSM 联合建模局部和长程空间–光谱依赖的机制，以及作者报告的相对 Transformer 去噪与显存优势；这些优势的具体评估条件及 EEG 迁移有效性尚未验证。

  40. OpenReview · State space models68

    SMamba：用于高光谱图像分类的空间–光谱状态空间模型

    基于摘要分析。该研究针对高光谱图像（HSI）分类中的低空间分辨率、复杂光谱信息及长程依赖建模成本，提出空间–光谱状态空间模型 S²Mamba，通过分别建模空间与光谱上下文并自适应融合，服务于地表覆盖分类。原标题使用 SMamba，摘要中的方法名为 S²Mamba，二者命名差异需核对全文。 核心机制是沿不同维度使用两个选择性结构化状态空间模型：Patch Cross Scanning 模块通过像素与邻近像素的交互捕获空间上下文；Bi-directional Spectral Scanning 模块从连续光谱波段中提取语义信息；Spatial-spectral Mixture Gate 则使用一组可学习矩阵，自适应融合两个维度的表示。作者将其定位为对 Transformer 空间–光谱长程依赖建模的效率改进，理由是 Mamba 的长程建模具有线性复杂度，而所讨论的 Transformer 架构具有二次复杂度；整套模型的实际运行成本仍需结合扫描实现和输入规模核对。 作者报告，在 HSI 分类基准上的广泛实验支持方法的优势，但摘要未列出数据集名称、划分协议、对照基线、指标或具体数值，无法据此量化准确性与效率收益。训练目标、预处理、消融及统计信息尚未验证。摘要称代码将公开，这不等同于已确认可用或可复现。 平台推测（待验证）：迁移假设是，空间–光谱分维建模可为 EEG 的通道–时间建模提供参考，原方法依赖空间邻接关系和连续光谱波段结构，但 EEG 通道拓扑不等同于规则图像邻域，时间轴也不等同于光谱轴。可考虑复用状态空间建模与融合门，改造扫描顺序、邻接定义和输入表示；低信噪比、跨被试差异、通道缺失及小数据训练可能使融合失稳。一个小规模可证伪实验是在固定 EEG 数据划分与训练预算下，对比单时间维建模、通道–时间双维建模及去除融合门的版本，并同时记录分类指标和计算成本。已有 EEG 相关工作尚未检索确认。