跳到正文
#撤回
9月19日周五
  1. OpenReview · State space models69

    学习描述城市变化：图引导的变化检测与带不确定性估计的时空状态空间模型

    基于摘要分析。研究面向双时相卫星影像的城市变化检测与描述生成，将 SemanticGraphCD、时空 State Space Model（SSM）和不确定性估计组成一体化流程，旨在识别有意义的城市变化、生成描述并评估描述可靠性。 SemanticGraphCD 将图神经网络与任务无关语义学习结合，自适应切换 GNN 特征传播和卷积操作，通过双时相一致性约束学习语义表示，以区分基础设施、土地利用变化与一般时相差异。描述模块包含 Spatial Difference-aware SSM（SD-SSM）与 Temporal Traversing SSM（TT-SSM）：前者针对空间差异建模，后者以时相交叉方式扫描双时相特征。卷积聚焦模块融合变化掩码与双时相影像，引导 SSM 隐状态表达变化信息。作者称该设计具有线性计算扩展特性，但复杂度对应的输入维度及实际运行开销尚未验证。 Semantic-Weighted Sentence Entropy（SWSE）对领域相关词汇赋予比功能词更高的权重，用于估计描述的不确定性。作者报告，在摘要所述变化描述评估中，其方法较已有 SSM 提升描述生成表现，且 SWSE 与描述质量相关、能够提供可靠的不确定性估计；摘要未提供数据集、划分协议、基线名称、指标或数值。实验协议、消融及统计信息尚未验证，尤其需核对词汇权重的确定方式，以及质量相关性是否伴随良好的不确定性校准。 平台推测（待验证）：其可迁移机制主要是变化区域引导的序列建模，以及对任务相关输出赋权的不确定性估计，而非直接复用卫星影像模型。假设应用于 EEG 状态变化识别，需要将图结构和变化掩码改造为通道关系与时段变化提示；原任务依赖双时相影像、变化掩码和描述输出，具体监督来源及训练规模尚未验证。EEG 的低信噪比、跨被试差异、通道变化和小数据条件可能使变化提示放大伪迹；SWSE 也不能直接等同于分类置信度。可在固定 Cross-subject 划分下比较基础 SSM 与加入变化提示的 SSM，同时检查识别指标和置信度校准，以检验这一迁移假设。已有 EEG 相关工作尚未检索确认。

9月16日周二
  1. 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。

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。

9月26日周四
  1. 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。

  2. 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。

  3. 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。

9月23日周一
  1. OpenReview · State space models71

    GeoMind：用于理解黎曼流形上脑动态的状态空间模型几何神经网络

    基于摘要分析。该研究关注如何将脑状态演化建模为脑区功能相互连接的动态系统，提出 GeoMind，将状态空间模型（SSM）与黎曼几何结合，通过追踪高维对称正定（SPD）矩阵流形上的功能动态轨迹，刻画随时间变化的脑状态。 核心机制：作者以功能波动的拓扑共激活具有 SPD 几何结构为出发点，将功能连接的演化放在黎曼流形上建模，而非仅将其视为普通欧氏空间中的特征序列。SSM 用于描述潜在脑状态的转移及其与观测神经活动的关系。摘要未给出 GeoMind 的具体状态转移参数化、几何运算、损失函数及训练与推理流程，这些实现细节尚未验证。 结果与证据：作者报告，GeoMind 在基于任务的 fMRI 脑状态识别，以及 Alzheimer's disease、Parkinson's disease 和 Autism 的早期诊断任务中取得有前景的结果。作者还报告在 human action recognition（HAR）的 UTKinect、Florence 和 HDM05 三个基准数据集上取得有前景的表现，用以评估跨领域适用性。摘要未提供具体指标、对照方法、被试规模或数据划分，因此尚不能判断性能增益、诊断有效性或泛化强度；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 的时间窗协方差或功能连接可形成稳定的 SPD 序列，该几何 SSM 思路可能用于研究脑状态切换，但 fMRI 与 HAR 的结果不等于 EEG/BCI 有效。可考虑复用流形轨迹建模框架，改造 EEG 的窗口构建、协方差估计与观测映射；低信噪比、通道数量变化、跨被试差异和小样本可能导致 SPD 估计不稳定或轨迹不可比。一个可检验的小实验是在固定 EEG 数据划分与相同输入条件下，对比几何 SSM 与欧氏 SSM，并检查协方差正则化对结果的影响。已有 EEG 相关工作尚未检索确认。

  2. 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。

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。

9月23日周六
  1. OpenReview · Representation learning74

    方差–协方差正则化改善表征学习

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

  2. OpenReview · Representation learning72

    面向单调物理系统的偏序表征强化学习

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

9月22日周五
  1. OpenReview · Representation learning70

    多变量时间序列的时空表征学习

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

  2. OpenReview · Representation learning70

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

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

9月19日周二
  1. OpenReview · Representation learning77

    基于拓扑的深度回归表征学习

    基于摘要分析。该研究关注信息瓶颈（IB）原则如何指导回归表征学习，强调回归所需的特征连续性及相对于目标的有序性不同于分类的类别分离。作者建立 IB 与特征空间拓扑的两项联系，并提出正则项 PH-Reg，旨在降低特征空间的内在维度，同时保持目标空间的拓扑。 第一项联系涉及表征复杂度：作者指出，较低的特征空间内在维度意味着较低的表征 Z 复杂度，并以给定目标 Y 时 Z 的条件熵量化这种复杂度；作者报告，该量可作为泛化误差的上界。第二项联系强调特征空间与目标空间的拓扑相似性，认为这种一致性有助于符合 IB 原则。具体的理论假设、上界形式、拓扑度量及 PH-Reg 的计算方式尚未验证，不能仅凭摘要确定其损失实现或计算成本。 作者报告，PH-Reg 在合成与真实世界回归任务中带来收益。摘要未提供任务名称、数据集、划分、对照基线或指标数值，因此无法判断收益大小及适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 连续变量回归的目标空间具有可利用的连续、有序结构，PH-Reg 可能为表征约束提供思路，而非直接用于 MI 等离散分类任务。该迁移假设依赖可靠的连续监督及目标拓扑；可尝试复用正则化思想，但需适配 EEG 编码器、目标尺度与跨被试差异。低信噪比、标签噪声、小数据或多维目标可能使拓扑估计不稳定，也可能令降维约束丢弃有效信息。一个可检验的小实验是在固定 EEG 回归模型与 Cross-subject 划分下，对比加入和不加入 PH-Reg 的回归误差与表征拓扑一致性。该实验是平台建议，并非论文已验证结果；已有 EEG 相关工作尚未检索确认。

  2. OpenReview · Representation learning68

    教师引导的图表征学习框架

    基于摘要分析。本文研究 GNNs 的无监督表征学习，提出 Teacher-guided Graph Contrastive Learning（TGCL），以教师—学生框架引入软标签，让学生通过蒸馏教师表征学习图表示，旨在改善传统图对比学习中硬标签判别的正则化。 机制与贡献：作者指出，部分 Contrastive Learning（CL）方法将图对视为同等的正样本或负样本，其目标可表述为使用硬标签的监督判别任务。研究受到监督学习中以 Bayesian 方式使用软标签可降低判别风险方差的观察启发：教师网络使用无标签图训练，学生蒸馏其产生的表征。摘要未说明软标签的具体构造、教师训练目标、蒸馏损失及图增强策略，不能据此认定 TGCL 已验证风险方差降低。 结果与证据边界：作者报告，该框架可适配现有 CL 方法，并在多种下游任务上改善性能。摘要未提供任务名称、数据集、划分、基线或指标数值，适配范围与改善幅度尚未验证；实验协议、消融及统计信息也尚未验证。 平台推测（待验证）：若 EEG 被表示为通道或功能连接图，软标签与教师表征蒸馏可能缓解二元图对关系过于粗糙的问题。可复用部分是教师—学生训练思路，需改造部分包括 EEG 图构建、时序编码及增强策略。该假设依赖足够的无标签图与可靠教师表征；低信噪比、跨被试差异、通道变化及小数据可能使教师偏差被蒸馏放大。一个可检验的小实验是在固定 EEG 图构建与 Cross-subject 划分下，对照同一图编码器的硬标签 CL 与 TGCL，保持训练数据和下游标签预算一致，比较预先指定的分类指标。已有 EEG 相关工作尚未检索确认。

9月18日周一
  1. OpenReview · Representation learning73

    通过 Epistemic Graph 进行混合表征学习

    基于摘要分析。研究针对视觉深度模型依赖大量训练样本、结构化知识与深度特征在维度及知识粒度上难以融合的问题，提出 Epistemic Graph Layer（EGLayer），以图结构对齐和信息聚合实现混合表征学习。 EGLayer 包含三个主要部分：局部图模块利用学习到的深度特征构建局部原型图，使特征与结构化知识图谱在相同粒度上对齐；查询聚合模块从局部图提取有用信息，再计算聚合表征与全局节点嵌入的相似度以完成预测；相关性对齐损失从余弦相似度和欧氏空间两个角度约束局部与全局邻接矩阵的线性一致性。摘要将其定位为可替代标准线性分类器的即插即用模块，但未提供损失公式、图谱构建流程及训练细节。 作者报告，EGLayer 在跨域识别和少样本学习实验中提升了表征学习表现，知识图谱可视化有助于模型解释。摘要未给出数据集、划分、对照基线或具体指标，因此无法判断提升幅度，也不能将跨域识别直接归为某一种域适应或域泛化协议。实验协议、消融及统计信息尚未验证；复现时需核对知识图谱来源、节点语义、局部原型构建方式及图谱信息的使用边界。 平台推测（待验证）：迁移至 EEG 的假设是，若任务具有可靠的类别关系或生理先验，可将 EEG 编码器输出的原型与知识图谱对齐，以辅助小数据或跨被试识别。可复用的是图聚合与对齐思路，需改造的是 EEG 特征编码、原型定义及知识图谱；低信噪比、被试差异和通道配置变化可能导致原型不稳定或先验失配。一个可检验的小实验是在固定跨被试划分、编码器和训练预算下，对比线性分类器、EGLayer 与打乱图谱关系的 EGLayer，检验收益是否来自有效结构知识。相关 EEG 工作尚未检索确认。