跳到正文
#OpenReview
1月1日周四
  1. OpenReview · State space models72

    用于声学回声削减与去混响的变分贝叶斯状态空间模型

    基于摘要分析。研究针对 A/D 与 D/A 转换器不同步时的语音去混响、声学回声削减和降噪问题，提出基于变分贝叶斯的联合优化方法，利用两个状态空间模型分别描述时变回声滤波器和无噪多通道语音信号。 核心机制是将转换器异步条件下的声学回声削减滤波器视为时变状态向量；第二个模型则将无噪多通道语音信号视为状态向量，使去混响滤波器能够在含噪环境中更新。作者通过变分贝叶斯框架优化这两类模型，交替执行两个基于 Kalman smoother 的参数优化阶段。具体状态转移、观测模型、概率分布与优化目标尚未验证。 作者报告，在真实远程会议室录制的数据上，即使 A/D 与 D/A 转换器异步，所提方法也比作者此前的传统方法更有效地削减声学回声、语音混响和背景噪声。摘要未提供数值指标、数据规模或划分方式，实验协议、消融及统计信息尚未验证；因此无法判断收益大小及不同噪声条件下的稳定性。 平台推测（待验证）：迁移假设是，时变干扰参数与潜在干净多通道信号的联合状态估计，可能用于 EEG 非平稳伪迹抑制。原方法依赖多通道时序观测及声学回声、混响的结构假设，具体参考信号和监督需求需查正文；可复用的是双状态建模与交替平滑优化思路，需改造的是 EEG 观测模型、伪迹动力学及通道耦合关系。低信噪比、跨被试差异、通道变化和小数据可能导致状态估计不稳定，或把任务相关脑活动误当作干扰。一个可证伪的小实验是在固定被试内划分的 EEG 上注入已知时变伪迹，对比单状态与双状态估计，并同时检查伪迹残留和原始 ERP 波形保真度。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是以两个状态空间模型及交替 Kalman 平滑优化联合处理时变回声与含噪多通道信号的机制，其对 EEG 伪迹建模的可迁移性尚未验证。

  2. OpenReview · EEG59

    触觉感受用户满意度的 EEG 相关特征

    研究考察 EEG 功率能否反映用户对触觉感受的满意度，尝试为消费电子 UI 设计提供一种基于脑电的体验评估指标。基于摘要分析，未取得论文全文。 方法与结果：材料明确涉及 EEG 频带功率与触觉满意度之间的相关性分析。作者报告，alpha、delta 和 high beta 频带功率与触觉满意度存在显著相关，尤其体现在早期时段。摘要未说明“早期”的具体时间窗口，也未提供相关方向、效应量、显著性阈值或多重比较处理方式，因此无法判断关联的强度与稳定性。 研究意义与边界：作者将结果解释为用于消费电子 UI 设计的新指标的可行性证据。这一证据属于满意度与 EEG 特征的关联，不等同于已验证的满意度预测模型，也不能据此认定构成可在线运行的 BCI 系统。 复现与验证：需核对触觉刺激及任务设置、满意度测量方式、被试数量、EEG 采集与伪迹处理、频带定义和分析时间窗口。实验协议、消融及统计信息尚未验证；被试内、跨被试或跨会话的评估情况亦尚未验证。若用于体验评估，还需检验相关特征能否区分满意度变化与刺激强度、注意或运动伪迹等可能的混杂因素。

  3. OpenReview · State space models75

    物体识别基准中数据集偏差的比较

    基于摘要分析。该研究考察物体识别基准中的分类表现是否可能来自数据集内的非对象线索，而非对象识别能力；核心方法是从每张图像中截取看似空白、且小到无法人工识别对象的区域，用这些子图进行分类，以检测并比较数据集偏差。 这一设计保留原图的类别归属，却大幅削弱可人工解释的对象信息。作者报告，在所有受测数据集中，子图分类的 Accuracy 均高于随机机会水平；在受测数据集范围内，PASCAL 的观测偏差最低，而在受控环境中采集的 COIL-20、COIL-100 和 NEC Animals 更易受到此类偏差影响，子图分类的 Accuracy 远高于随机机会水平。摘要未给出具体数值、分类器、图块大小与位置、数据划分或机会水平的计算方式，实验协议、消融及统计信息尚未验证。这些结果支持非目标线索可能驱动分类的解释，但不能据此断言相关基准上的所有算法都未识别对象。 平台推测（待验证）：该思路可用于检查 EEG 解码是否依赖采集条件或其他非目标信息，而非目标神经活动。原方法依赖样本级类别标签，以及能够削弱目标信息、同时保留部分采集特征的输入区域；迁移时可复用其负对照框架，但需重新界定 EEG 中的对照时间窗或信号片段，不能将视觉上的“空白”直接等同于没有神经信息。低信噪比、小样本以及标签与被试、会话或通道配置共变，均可能使结果难以解释。 一个可检验的小实验是假设任务前基线窗不含目标任务信息，在固定的 Cross-subject 划分下，对比基线窗与任务窗的解码表现，并用保持被试结构的标签置换估计机会水平；若基线窗仍可预测类别，再核查采集条件与标签的关联，而非直接判定泄漏。已有 EEG 相关工作尚未检索确认。

    阅读价值：该研究以不含可人工识别对象信息的小图块检验数据集偏差，为区分任务识别能力与非目标线索驱动的分类提供了可复现思路，但其向 EEG 评估的适用性尚未验证。

1月1日周日
  1. OpenReview · EEG69

    基于 super-Dirichlet 混合模型的 EEG 信号分类

    基于摘要分析。该研究针对 BCI 中的 EEG 信号分类，提出利用边缘化离散小波变换（mDWT）系数的非负性与和为一性质进行概率建模，并以 super-Dirichlet mixture model（SDMM）描述多通道特征，用于分类。 核心机制是将特征的取值约束纳入分布假设：mDWT 系数用于表征 EEG 的瞬态特性，作者采用 Dirichlet 分布建模这些系数，再通过 SDMM 描述来自多个通道的系数分布。相较于直接使用 SVM 分类，方法的主要区别在于显式利用这类特征的概率结构。摘要未说明 mDWT 的具体计算与归一化方式、SDMM 的多通道组织方式、参数估计及分类决策规则，相关实现细节尚未验证。 研究分别使用 Fisher ratio 和泛化误差估计选择相关通道。作者报告，在这两种通道选择策略下，SDMM 分类器相较于文中作为先进方法对照的 SVM 分类器表现更稳定，并显示出改善潜力；摘要没有给出具体指标、数值或稳定性的定义，不能据此判断提升幅度。 数据集、BCI 任务类型、被试数量、被试内或跨被试协议、训练测试划分，以及 SVM 配置、消融与统计信息尚未验证。复现时需重点核对特征是否满足所用分布的支持条件、通道选择与参数估计如何嵌入评估流程，以及稳定性结论对应何种重复实验或数据条件。上述事项属于待核对信息，不代表作者未开展相关实验。

  2. OpenReview · EEG78

    清醒与 NREM 睡眠的 EEG 微状态

    基于摘要分析。该研究考察清醒静息与不同 NREM 睡眠阶段的 EEG 微状态是否发生变化，通过聚类提取准稳定的头皮电位拓扑图，再将其回配至已完成睡眠分期的 EEG，比较空间模式及时间动力学。 研究分析了 32 名被试的 32 通道 EEG，覆盖放松清醒与 NREM 睡眠。作者报告，全部 32 名被试达到 N2，其中 19 名也达到 N3，相关阶段持续至少 1 分 45 秒。方法以各警觉状态中占主导的幅度拓扑图为聚类对象，通过回配获得每个睡眠阶段的微状态序列；比较指标包括平均持续时间、总时间覆盖、全局解释方差及转移概率。聚类算法细节、类别数选择标准、预处理与回配规则尚未验证。 作者报告，各 NREM 睡眠阶段均以四类微状态为最优，与清醒静息常见的 A、B、C、D 类别数一致。以阶段特异性拓扑图与清醒拓扑图的平均空间相关性衡量，N1 为 92%、N3 为 87%，N2 最低，为 83%；这些数值不是分类 Accuracy。清醒与 N1 的时间特征较为接近；清醒、N1 和 N3 中，微状态 C 在全局解释方差和时间占比方面占主导，而 N2 中微状态 B 最突出。作者报告，N3 中所有微状态的平均持续时间显著增加，自转移概率也升高；慢波的出现只能部分解释这一持续时间变化。具体效应量、统计检验及慢波分析协议尚未验证。 作者据此提出，从清醒静息到 NREM 睡眠，大尺度空间组织可能基本保留，深睡眠中的功能变化可能更多与该组织内活动水平和时间安排的改变有关。这是作者的解释与推测，不能等同于已证明微状态与 fMRI 静息态网络一一对应，也不能据此认定其具有睡眠分期或 BCI 解码效能。复现时需核对各阶段数据量、跨阶段类别匹配、个体与组水平聚类方式，以及持续时间变化的统计控制；实验协议、消融及统计信息尚未验证。

    阅读价值：该研究提供了清醒与不同 NREM 睡眠阶段的 EEG 微状态空间拓扑及时间动力学对照，值得核对其聚类与统计协议，以评估微状态作为警觉状态表征的适用边界。

1月1日周一
  1. OpenReview · Representation learning72

    强化学习中的表征迁移

    基于摘要分析。本文研究强化学习智能体采用不同内部表征时，如何迁移已学习的知识以减少目标端学习时间；核心贡献是定义 representation transfer，将其与 task transfer 区分，并提出两种新算法。 常见 task transfer 利用源任务知识促进相关但不同的目标任务学习；本文则聚焦不同内部表征之间的知识迁移。两类问题的共同目标，是相对于不使用迁移的学习过程缩短目标端学习时间。摘要未说明内部表征的具体形式、两种算法的映射机制、知识载体或训练流程，不能据此将其解释为特定的神经网络表征对齐方法。 作者报告，两种算法已在一个复杂多智能体领域中实现，实验显示不同表征之间的知识迁移具有可行性和收益；作者还报告，representation transfer 算法也可用于 task transfer，从而建立二者的实证联系。摘要未提供领域名称、学习时间指标、收益数值、对照细节或数据划分，实验协议、消融及统计信息尚未验证，尚不能判断收益幅度与适用边界。 平台推测（待验证）：其研究问题可启发采用不同 EEG 特征表示的强化学习式 BCI 自适应，但这一假设依赖可对应的状态、动作及奖励结构，不能直接等同于跨被试或跨通道迁移。可复用的是跨表征迁移的研究框架；具体映射模块仍需全文确认，并针对 EEG 的低信噪比、被试差异与小数据条件改造。一个可检验的小实验是在固定任务、动作和奖励定义下，比较两种 EEG 特征表示之间的知识迁移与目标表示从零学习，按相同交互预算评估学习曲线及负迁移风险。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其对 representation transfer 与 task transfer 的区分及二者的实证联系，但算法机制、学习时间收益与迁移适用条件仍需全文核对。

12月31日周五
  1. OpenReview · State space models69

    含时延的基因调控网络状态空间模型

    基于摘要分析。本文针对基因调控网络中的时间延迟，提出含时延的状态空间模型，将基因表达视为观测变量，用内部状态变量及外部输入描述其变化，并从时间序列基因表达数据估计模型。 核心机制是利用 Bayesian information criterion（BIC）与 probabilistic principal component analysis（PPCA）估计内部状态变量的数量及其表达轨迹，再构建内部状态的含时延动态方程，以及内部状态与基因表达观测之间的关系。相较于不含时延的模型，其主要方法差异是显式纳入延迟动力学，而非仅描述当前状态与观测的关联。具体方程、时延设定、参数估计流程及可辨识条件尚未验证。 作者报告，在一个时间序列基因表达数据集上，所构建模型“几乎稳定”，预测准确性优于未纳入时间延迟的模型；作者还称模型参数可由时间序列数据明确辨识，计算成本较低。摘要未提供数据集名称、采样间隔、训练与测试划分、预测指标及数值，因此不能量化改进，也不能将“几乎稳定”解读为已证明严格稳定。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，低维隐状态与延迟动力学可能帮助刻画 EEG 时序中的滞后依赖，但原领域结果不等于 BCI 有效。可复用的是隐状态维度选择和状态—观测建模思路；需改造的是基因表达观测到多通道 EEG 的映射、采样尺度及延迟参数约束。该方法依赖时间序列观测，摘要未明确监督需求和数据规模；EEG 的低信噪比、跨被试差异、通道配置变化及小数据可能使隐状态和时延估计不稳定。一个可检验的小实验是在固定被试内数据划分下，以相同预处理和状态维度比较含时延与无时延模型的留出序列预测误差，并检验优势是否随噪声增加而消失。已有 EEG 相关工作尚未检索确认。