跳到正文
#Cross-dataset
10月9日周五
  1. arXiv · 时序与音频基础模型73

    AdaCast：用于自适应时间序列预测的条件参数生成

    基于摘要分析。AdaCast 针对时间序列基础模型（TSFM）的静态适应问题，提出条件参数生成框架：根据每个输入生成低秩参数更新，使冻结的预训练模型能够针对不同时间模式、季节性与动态特征进行预测。 核心机制是由生成器产生输入特定的低秩参数更新，并在训练和推理阶段应用这些更新。与为整个数据集学习一组固定更新、对所有输入使用同一适应模型的方案相比，其关键区别在于参数适应随输入变化。摘要未说明生成器结构、条件输入形式、更新作用位置、低秩设置及训练目标，这些细节尚未验证。 作者报告，在六个公开基准上，AdaCast 的域内预测表现持续优于静态适应基线，并改善了对跨领域留出数据集的零样本泛化。摘要未提供基准名称、指标、提升幅度或具体数据划分，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。复现还需核对预训练 TSFM、生成器训练所用数据、留出数据集与训练数据的关系，以及训练和推理的计算开销。 平台推测（待验证）：输入条件化更新可能用于缓解 EEG 时序预测中不同被试或状态造成的动态异质性，但原领域有效不等于 BCI 有效。可复用的部分是冻结主干与条件低秩更新机制；需改造输入表示、通道组织和预测目标，并确认 EEG 数据规模与监督条件能否支持生成器训练。低信噪比、通道差异及小数据可能使生成器追随伪迹而非稳定动态。一个可证伪的小实验是在固定 EEG 预测主干、训练数据与更新预算下，对比静态低秩更新和输入条件化更新，采用被试隔离的 Cross-subject 划分并检查误差与伪迹敏感性。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对输入条件化低秩参数更新相较静态适应的增益及其跨数据集泛化边界；摘要提供了明确机制，但其对 EEG 的适用性尚未验证。

10月8日周四
  1. arXiv · 泛化与分布偏移72

    DiscoVL：通过正交对抗正则化实现视觉-语言模型的解耦跨模态表征学习

    DiscoVL 面向预训练视觉-语言模型适配下游任务时的表征一致性与语义分布偏移问题，将正交对抗正则化与结构化跨模态对齐结合，以改善适配后的泛化能力。基于摘要分析，未取得论文全文。 机制方面，作者提出多分支低秩残差对齐器，将表征分解到不同子空间，并在各层视觉流与文本流之间引入双向跨模态反馈，以增强跨模态交互。针对常规三元组约束可能使特征过度贴合类别质心的问题，作者为对抗三元组损失设计正交正则化，并认为它能够防止质心坍缩。摘要未说明正交约束施加的具体对象、对抗样本或扰动的构造方式、损失公式及训练参数范围，这些实现细节尚未验证。 作者报告，在 15 个基准上，DiscoVL 相较于作者所称的当前最先进方法，在 base-to-novel generalization、Cross-dataset 评估和 few-shot learning 中均取得一致改进。摘要未提供基准名称、划分、指标、具体增益或对照方法，不能据此判断不同协议下的提升幅度。实验协议、消融及统计信息尚未验证；复现需进一步核对骨干模型、低秩配置、各损失权重和训练预算。 平台推测（待验证）：若任务具备 EEG 与文本描述或视觉刺激之间的配对监督，可假设低秩子空间对齐与正交约束有助于区分类别语义和被试相关变化，但原领域结果不等于 BCI 有效。可复用的是对齐器和正则化思路，需改造 EEG 编码器、跨模态反馈接口及三元组采样方式。EEG 的低信噪比、跨被试及通道差异、小数据条件可能使子空间分解不稳定，或使语义约束压制有效判别信息。一个可证伪的小实验是在固定 Cross-subject 划分与相同训练预算下，对比基础跨模态对齐、加入低秩对齐器、再加入正交约束的版本，检验其是否稳定改善预先指定的分类指标。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 DiscoVL 如何通过多分支低秩跨模态对齐与正交对抗三元组约束缓解类别质心坍缩，以及这些机制对新类别和跨数据集泛化的实际贡献；具体增益及消融尚未验证。

10月3日周六
  1. arXiv · 表征与预训练80

    ZeroMAG：面向即插即用 EEG 基础模型的零样本多模态适配器生成

    基于摘要分析。ZeroMAG 研究如何在保留 EEG 基础模型预训练知识的同时，利用伴随生理信号扩展到异构多模态记录。其核心贡献是从无标签目标记录推断并生成适配器，在冻结 EEG 编码器与预测头的条件下实现多模态扩展，不使用目标标签，也不进行目标端优化。 机制上，ZeroMAG 以不随模态配置变化的适配器组织伴随模态，从无标签记录及任务上下文构建“模态—被试—任务”条件，并在由源适配器学习得到、受功能约束的潜在空间中生成适配器权重。这一路径区别于直接回归权重：生成过程不仅依赖权重表征，还通过功能监督约束表征学习与条件生成。具体适配器结构、条件编码方式、功能监督定义及损失形式尚未验证。 作者报告，在六个留出的目标数据集和三个 EEG 基础模型骨干上，ZeroMAG 的 Balanced Accuracy 相比仅使用 EEG 的推理平均提高 7.22 个百分点，相比直接权重回归提高 4.89 个百分点，与有监督多模态适配的平均差距在 0.50 个百分点以内。作者明确说明，目标数据集未参与 ZeroMAG 流程中的任何模型训练与选择；摘要未给出具体数据集、任务、伴随模态、被试数量及被试内或跨被试等划分协议，因此这些平均结果不能直接外推至特定 BCI 场景。 作者报告，移除表征学习或条件生成任一阶段的功能监督都会降低生成适配器的表现，支持两个组件的贡献。复现时需核对源适配器的训练与监督来源、任务上下文的可用信息、无标签目标记录的使用范围，以及有监督多模态对照的协议。实验协议、消融及统计信息尚未验证；对低信噪比、不同通道配置和伴随模态变化的稳健性也尚未验证。

    阅读价值：值得核对其利用无标签目标记录生成多模态适配器的机制，以及目标数据集隔离与功能监督的实现；作者报告的结果为冻结 EEG 基础模型的零样本多模态扩展提供了具体评估依据。

9月18日周五
  1. OpenReview · EEG83

    GRAFT-EEG：用于跨数据集运动想象 EEG 的规范感知物理场传输

    基于摘要分析。GRAFT-EEG 研究跨数据集运动想象 EEG 解码，将蒙太奇、参考和活跃传感器变化视为观测算子变化，而不只是表征偏移。其核心贡献是在拟合阶段不接收目标信号、标签或经验统计量的条件下，利用物理场传输构建跨数据集预测；目标电极坐标仅用于实例化固定预测算子。 机制上，方法消除活跃传感器集合下公共参考的规范自由度，再通过模板运动 leadfield 传输各数据集原生传感器掩码。源数据拟合的谱分类器承担主要决策，有界状态空间模型（SSM）残差作为辅助。作者给出了受限可辨识性与算子扰动界，但其假设、适用条件及具体实现尚需全文核对。 作者报告，在包含 253 名被试、五个目标数据集的留一数据集评估中，动态 GRAFT-EEG 的各目标等权 Balanced Accuracy 为 60.865%，strict-clean 5/5 BIOT 为 52.684%；分层差异为 +8.182 个百分点，95% CI 为 +6.382 至 +10.196，所有目标上的差异均为正。在四个 EEGPT-clean 目标上，两者描述性均值分别为 61.520% 与 59.057%；这一不同目标集合的结果不宜与前述协议直接比较。 作者报告，四项事后 exact same-parent 对照中，FULL 相对 coordinate-basis、matched-spectrum、row-shuffled 和 wrong-anatomy 分别提高 9.959、9.698、11.241 和 3.985 个百分点；所有 95% CI 均不含零，Holm 校正后 P < 0.001。这些对照为物理算子的贡献提供支持，具体匹配与控制方式尚未验证。 另一个 60 名被试的同范式评估中，作者报告物理算子对比仍为正：+4.029 个百分点，95% CI 为 +2.338 至 +5.773；动态与静态版本的差异则尚无定论。摘要将其预注册验证状态界定为部分确认，而非不受限的外部验证。作者另报告 SSM 增益为 +1.059 个百分点，95% CI 为 +0.013 至 +1.892，具体所属评估协议尚待核对。 结论限于五个二分类运动想象域及已测试算子。复现需核对模板 leadfield、原生掩码与参考处理、源数据拟合流程、目标信息使用边界，以及理论条件、数据划分和统计协议；全文、实现可用性及完整消融信息尚未验证。

    阅读价值：值得核对其如何把蒙太奇、参考及活跃传感器变化建模为观测算子变化，以及物理算子对照能否支持不使用目标统计量的跨数据集迁移；摘要报告了正向结果，但结论范围受任务与算子限制。

9月17日周四
  1. OpenReview · EEG79

    PACE：面向 EEG 基础模型的渐进式情感对齐

    基于摘要分析。该研究关注 EEG 基础模型中可提取的情感信息为何未必能跨异质被试、数据集及情感诱发情境迁移，提出情感后训练框架 Progressive Affective Contrastive Enhancement（PACE），通过逐步扩大对齐范围改善情感表征的迁移组织。 作者对四种 EEG 基础模型的冻结表征进行诊断，报告情绪关系在被试内比跨异质数据集与诱发情境更稳定，据此区分“情感信息可恢复”与“情感表征组织可迁移”。PACE 首先在各个数据集内部学习跨被试情感结构，再将对齐扩展至不同数据集和诱发情境，同时保留数据集内监督。其核心设计是从相对可靠的局部关系逐步扩展到异质条件，而非直接要求所有条件下的表征统一对齐；具体损失形式、监督标签及训练配置尚未验证。 在十二个完全留出的目标数据集、四种基础模型骨干上，作者报告：完整微调的平均 Balanced Accuracy 提升 2.66–7.05 个百分点，线性探测表现提升 3.52–5.77 点。摘要未明确后一项指标名称，也未交代这些提升区间对应的具体参照，因此不能将线性探测结果直接视为 Balanced Accuracy。作者还报告 PACE 在全部十二个目标数据集上优于 CE、SupCon 和 VREx 后训练方法；阶段消融支持渐进策略，冻结表征分析显示四种骨干的情绪关系几何均有改善。 复现时需核对后训练与目标数据的隔离方式、情绪标签跨数据集的对应关系、各目标数据集的评估划分，以及完整微调和线性探测各自的基线与统计不确定性。摘要提供匿名代码链接，但代码内容与可运行性尚未验证；具体数据集、被试数、实验协议、消融及统计信息亦尚未验证。该工作直接面向 EEG 情感迁移，其结果不能据此推广为其他 BCI 任务的普遍收益。

    阅读价值：值得核对其分阶段情感对齐能否在保留数据集内监督的同时改善跨数据集迁移，摘要提供了四种 EEG 基础模型骨干、完全留出目标数据集及阶段消融的验证线索。

9月23日周二
  1. 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。

9月16日周二
  1. 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 · 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。

9月22日周五
  1. OpenReview · EEG71

    通过几何感知建模学习拓扑无关的 EEG 表征

    基于摘要分析。该研究针对不同 EEG 数据资源的通道选择不一致，以及信号固有的结构与空间信息难以统一利用的问题，提出将不同通道选择映射到统一拓扑，并在此基础上构建 MMM 预训练框架，以学习拓扑无关的 EEG 表征、支持跨数据集预训练。 MMM 包含 Multi-dimensional position encoding（多维位置编码）、Multi-level channel hierarchy（多级通道层级）和 Multi-stage pre-training strategy（多阶段预训练策略）。摘要明确的机制路径是先统一通道拓扑，再通过上述三个组件组织空间信息、通道层级及预训练过程；但统一拓扑的具体定义、通道映射方式、位置编码构造、层级组织及各训练阶段的目标尚未验证，不能据此推断网络结构或损失形式。 作者报告，该方法在情绪识别基准数据集上相较此前最先进方法取得明显提升。摘要未提供数据集名称、指标、数值、对照方法或数据划分，因此不能量化提升，也不能判断结果属于 Within-subject、Cross-subject 或 Cross-dataset 评估。支持跨数据集预训练是研究目标，不等同于已经验证跨数据集下游泛化；实验协议、消融及统计信息尚未验证。 复现时应优先核对统一拓扑如何处理通道缺失与不同电极配置、预训练数据如何组合，以及三个组件各自的贡献。尤其需要确认情绪识别评估中的被试与数据集划分、预训练和下游数据的关系，以及比较方法是否采用相同协议。这些均是需全文核对的事项，而非已发现的研究缺陷。

    阅读价值：值得阅读的具体原因是其以统一通道拓扑连接不同 EEG 资源，并结合位置编码、通道层级与分阶段预训练；这些设计为跨数据集预训练提供了可核对的机制路径，但性能增益及跨通道配置泛化仍需全文验证。