跳到正文
#OpenReview
10月4日周日
  1. OpenReview · Representation learning78

    强化学习中的终止表示

    基于摘要分析。该研究针对强化学习（RL）中时空抽象表示的计算与存储开销，提出 terminal representation（TR，终止表示）：编码奖励加权的轨迹，同时允许以较低维对象学习，并直接用于下游任务而无需特征向量计算。 机制与对照：successor representation（SR）以状态诱导的未来轨迹编码状态，将信息流与奖励解耦；default representation（DR）进一步用奖励加权轨迹，纳入信用分配结构。作者提出的 TR 与 DR 同样利用奖励加权轨迹，但采用不同的表示结构。摘要指出，既有特征分解路线带有对称转移动力学假设，TR 可绕过这一限制；该说法的适用范围与数学条件仍需核对正文。 理论与结果：作者报告推导了 TR 的理论基础，给出两种学习算法的收敛结果，并分析其零样本组合性及不同奖励表述之间的等价关系。作者还报告 TR 嵌入于 DR 的首要特征向量中，因此可在不进行特征分解的情况下获取相同的底层知识。对于 option discovery、reward shaping、transfer learning 和 exploration 等下游应用，作者报告了支持 TR 可行性的实验证据，并称其学习、存储和使用开销更低。摘要未给出具体环境、数据划分、基线配置、指标或开销数值，实验协议、消融及统计信息尚未验证。 BCI 关联：平台推测（待验证），若 BCI 自适应控制被建模为具有奖励与终止条件的序列决策问题，TR 可能提供降低状态表示开销的路径；这一假设依赖可估计的转移动力学和奖励结构，并非已证实的 EEG 解码收益。低信噪比、跨被试差异及有限交互数据可能影响表示学习与迁移。已有 EEG 相关工作尚未检索确认，当前应优先核对理论假设及原领域实验，再判断迁移价值。

    阅读价值：值得核对 TR 如何以较低维表示替代 SR/DR 的特征向量计算，以及其收敛条件与计算开销优势是否在相同下游任务和评估协议下成立。

10月2日周五
  1. OpenReview · EEG80

    等价的 EEG，不同的表征：EEG 基础模型中未声明的采集约定

    基于摘要分析。研究考察 EEG 采集元数据被模型接口丢弃或重新解释时，物理上等价的记录是否仍产生一致表征，并分析通道身份、通道顺序与幅值单位对三个已发布 EEG 基础模型编码器的影响。作者提出六项一致性测试，以及用于声明通道身份、所需顺序和幅值单位的三个模型卡字段。 通道顺序测试同时重排 EEG 数据行与对应电极名称，因此不改变物理记录；合理接口应保持这种等价性，或明确要求的通道顺序。作者报告，LaBraM 与 EEGPT 在结构上具备此类不变性，数值差异处于浮点误差尺度；CBraMod 含绑定通道索引的卷积，因而对顺序敏感。预训练后的顺序效应为随机权重对照的 0.42 倍，通道轴卷积核能量的 83.1% 集中于中心抽头。 幅值约定的影响更明显。作者报告，三篇模型论文均说明输入尺度，但已发布推理路径均未强制落实该尺度。与直接输入原始微伏数值相比，在声明尺度下，EEGPT 的最大电极身份扰动效应增至 252 倍，CBraMod 的顺序效应增至 4.85 倍；EEGPT 的最大身份误差达到被试间表征距离的 0.67 倍。这些是特定扰动及表征距离比较，不能直接解释为分类性能下降。 在摘要所述 EEGPT 探针评估中，作者报告，一次 C3/C4 错标改变 11.5% 的预测；输入幅值缩小至规定尺度的十分之一改变 51.5% 的预测，Balanced Accuracy 却略有上升。其核心警示不是某种架构约定本身错误，而是接口未声明或未落实会实质影响计算的约定。 摘要未提供数据集、被试数、数据划分、探针训练设置及距离计算细节，实验协议、消融及统计信息尚未验证。复现时需核对发布版本、预处理单位、通道名称与顺序的映射，以及各扰动测试和对照的具体定义。

    阅读价值：值得核对其六项一致性测试：作者报告通道身份与幅值约定可显著改变已发布 EEG 基础模型的表征和下游预测，而 Balanced Accuracy 未必随之下降，提示仅看任务指标不足以验证接口行为。

9月30日周三
  1. OpenReview · EEG66

    使用 EEGNet 与 EEG Conformer 进行视觉解码的 EEG 特征表示比较研究

    基于摘要分析。本研究针对持续视觉范式中 EEG 特征提取方法的相对有效性尚不明确的问题，比较八种特征表示，并结合 EEGNet、EEG Conformer 及两种预处理流程评估视觉解码表现，旨在识别有效的特征基线与泛化瓶颈。 比较方法包括 coherence、Granger causality、directed transfer function、partially directed coherence、transfer entropy、discrete wavelet transform、empirical wavelet transform（EWT）和 wavelet scattering transform。研究使用 MindBigData MNIST、MindBigData MNIST-8B 与 MSS 三个公开 EEG 数据集，分别采用去除伪迹和不去除伪迹的预处理流程。摘要未交代特征如何输入两种架构、训练配置及各数据集对应的任务划分。 作者报告，EWT 获得最高 Accuracy：数字与空白二分类达到 97.83%，会话内自然图像分类达到 77.10%；连接性方法整体表现较低，其最佳 Accuracy 为 91.67%。摘要未明确这些数值各自对应的数据集、架构、预处理流程和训练测试划分，因此不能将不同任务的数值直接比较。作者据此认为，频谱功率信息比通道间关系更具判别力，并将小波类自适应频谱分解视为较强基线；这一解释的适用范围仍需结合完整实验核对。 作者报告，Cross-subject 泛化的最佳表现约为 68%，但摘要未明确该数值的具体指标及任务设置，作者据此强调域适应的研究需求。复现时值得核对被试与会话隔离方式、伪迹去除对不同表示的影响，以及特征提取参数和模型训练条件。被试数、实验协议、消融及统计信息尚未验证，代码与完整复现条件也尚未验证。现有摘要支持将 EWT 作为候选对照基线，尚不足以判断其优势能否跨任务或跨被试稳定保持。

9月19日周六
  1. OpenReview · EEG73

    用于实时端到端 EEG 情绪识别的稳健 Resonate-and-Fire 神经元

    基于摘要分析。该研究针对 EEG 情绪识别中窗口化频谱计算限制稀疏处理、增加延迟并降低时间分辨率的问题，提出结合数据驱动初始化的稳健 Resonate-and-Fire（RF）神经元，并构建基于 EEGNet 的脉冲式、流式模型 SS-EEGNet，直接从原始 EEG 提取频谱特征，实现在线端到端识别。 核心机制是利用 RF 神经元的振荡膜动态表征频谱信息，而非先计算稠密的窗口化频谱特征。摘要指出，已有 RF 模型存在参数敏感性与不稳定性，一些改进以额外复杂度换取稳定性；本文则通过稳健 RF 模型与数据驱动初始化，使其更可靠地集成到 Spiking Neural Networks（SNNs）中。具体动力学方程、初始化过程、训练损失及梯度计算方式尚未验证。 作者报告，相较其他 RF 模型，所提神经元降低了计算成本与脉冲发放率；SS-EEGNet 在保持稀疏性的同时支持因果、低延迟推理，并取得有竞争力的 Accuracy 与显著效率收益。摘要未提供具体数值、数据集、被试数量、被试内或跨被试划分，也未说明效率测量的硬件与统计口径，因此尚不能量化收益或与其他 EEG 情绪识别结果直接比较。计算成本和脉冲发放率的降低也不能直接等同于实测能耗下降。 复现时需核对流式输入与输出的时间组织、频谱提取所需的状态积累时间、端到端延迟定义，以及 RF 对照模型和 EEGNet 对照的评估条件。还需确认初始化对不同被试、通道配置与噪声条件的敏感性，以及稀疏运算能否在目标硬件上兑现效率优势。实验协议、消融及统计信息尚未验证。

    阅读价值：值得核对其如何以稳健的 Resonate-and-Fire 动力学替代窗口化频谱特征提取，以及稀疏性与低延迟收益是否在实际流式 EEG 推理协议下成立。

  2. OpenReview · EEG76

    TopoJEPA：面向 EEG 基础模型的拓扑锚定联合嵌入预测

    基于摘要分析。TopoJEPA 针对自监督 EEG 基础模型中重建目标可能过度强调电极级信号细节的问题，提出先构建符合 EEG 时空组织的目标表征空间，再在该空间内学习预测动态，以获得更具迁移性的表征。 核心机制遵循 Grounding Before Prediction。Topological Target Grounding（TTG）将异构电极配置映射到统一的层级拓扑，并通过重建学习半球级与区域级表征。Reconstruction-Specific Branch 将重建相关的残差信息隔离到辅助路径，旨在保持重建保真度的同时，减少这些细节对目标空间的主导作用。在 TTG 建立的表征基础上，Topology-Grounded Autoregressive Prediction（TGAP）在联合嵌入空间中建模时空演化。其区别于直接重建原始信号或预测无约束潜在表征的关键，是先约束预测目标的组织结构，而不是完全取消重建学习。 作者报告，在覆盖六类代表性 EEG 解码任务的十个数据集上，TopoJEPA 相较现有自监督方法及 EEG 基础模型基线取得了有竞争力的表现，并在多个任务的线性探测中表现突出。摘要未提供数据集名称、被试规模、具体指标、分数及被试内、跨被试、跨会话或跨数据集划分，因此不能据此量化收益或判断不同协议下的泛化能力。 复现时应重点核对异构电极到层级拓扑的映射规则、TTG 与 TGAP 的训练衔接、辅助分支如何分离重建残差信息，以及线性探测的冻结范围和数据划分。拓扑约束与辅助分支的独立贡献、实验协议、消融及统计信息尚未验证。摘要提供了匿名代码地址，但代码完整性、训练配置及运行条件尚未核验。

    阅读价值：值得核对其拓扑约束目标空间与重建专用分支是否确实提升 EEG 表征迁移性，尤其是作者报告的多任务线性探测表现，但具体评估协议与消融证据尚未验证。

  3. OpenReview · EEG82

    何处、何时及何种内容对齐：以检索为依据的 EEG–ViT 对齐图谱

    基于摘要分析。本文研究 EEG 与预训练 ViT 在空间、时间及网络计算层面的对齐关系，以端到端 200-way 图像检索构建多维对齐图谱，并据此配置 EEG-to-image 解码器。其贡献是将表征对齐分析与实际检索表现联系起来，而非仅讨论抽象的表征相似性。 作者分析了涵盖对比学习、有监督学习、自蒸馏和重建训练的 21 个视觉模型，在 THINGS-EEG2 全部 10 名被试上评估约 21,000 个探测单元；测试包含分别平均 N=1、4、80 次重复试次的三种条件。比较维度包括头皮位置、EEG 时间、网络深度、子层计算、token 读出和训练目标。作者称各项结论均由逐被试符号检验支持；训练与测试划分、探测器形式及多重比较处理尚未验证。 作者报告，在 10/10 名被试中，网络块 0–11 的最佳对齐时刻随深度从 177 ms 推迟至 201 ms，并与头皮后部到前部的潜伏期梯度对应。对于中层对齐峰值，作者提出机制解释：早期计算将 EEG 可见内容写入残差流，中层残差流整合这些内容，后期计算的对齐减弱，而残差流仍保留此前写入的信息。这一解释的具体测量与对照需全文核对。 作者将共享信息解释为粗空间尺度的低层视觉结构，而非细粒度语义：对齐主要由早期视觉皮层上方电极承载，在网络约三分之一至二分之一深度达到峰值；掩码自编码训练下峰值更深，像素重建目标下晚层表现不同。作者报告，2×2 至 4×4 的 token 网格池化较全局读出提高 6–22 个百分点；该差值对应的具体模型、指标定义及重复试次条件尚未验证。 作者进一步报告，将五模型融合流水线简化为八电极、单骨干配置后，表现超过已发表的最先进结果；四状态融合链达到 97.5% 的 final-epoch Accuracy，并取得超过 22% 的单试次 Accuracy。摘要未明确这些结果各自的数据划分、平均重复次数及基线匹配条件，不能跨协议直接比较。复现还需核对电极与模型选择是否独立于测试评估、融合与训练流程、统计不确定性，以及代码和权重可用性；实验协议、消融及统计信息尚未验证。

    阅读价值：值得核对其以端到端检索统一比较 EEG–ViT 对齐位置、时序与表征读出方式的评估框架，尤其是粗粒度 token 池化和残差流分析能否稳定指导解码器简化。

  4. OpenReview · EEG73

    超越 patch 级 EEG 重建：用于 EEG 解码的对比预训练与多尺度卷积 Transformer

    基于摘要分析。研究针对低信噪比及多时间尺度采样点依赖下，原始 EEG 信号分词与掩码重建预训练是否最优的问题，提出结合对比预训练、多尺度采样点级卷积和 Transformer 编码器块的 CoCoT-EEG，并通过消融实验与机制分析考察架构及预训练目标的影响。 核心思路是将对比学习作为 EEG 自监督预训练的替代路径，同时通过多尺度卷积提取采样点级特征。与围绕 patch 进行重建的方案相比，该研究关注跨 patch 边界的特征提取及较长卷积核，以处理不同时间尺度的信号依赖。摘要未提供对比样本构造、数据增强、损失形式、卷积尺度、模型规模及训练流程，这些实现细节尚未验证。 作者报告，CoCoT 在具有异质实验配置的广泛基准解码任务上达到 state-of-the-art 表现；消融与机制分析支持对比预训练、跨 patch 的采样点级特征提取及较长卷积核带来收益。不过，摘要未列出数据集、任务名称、被试数量、被试内或跨被试等划分协议、对照基线及指标数值，因此尚不能判断提升幅度、跨场景稳定性或各设计因素的独立贡献，也不能直接比较不同实验协议下的结果。 复现与评估应优先核对：预训练和下游数据的划分关系，对比学习正负样本与增强策略的定义，以及比较预训练目标时是否控制架构、数据规模和训练预算。对于低信噪比 EEG，还需核对所学表征是否保留任务相关信息，以及跨被试、跨会话和通道配置变化下的表现。具体实验协议、消融及统计信息尚未验证；摘要中的积极结果不应扩大为对所有 EEG 解码场景均有效的结论。

    阅读价值：值得阅读其对预训练目标与架构的分离分析：作者报告对比预训练、跨 patch 的采样点级特征提取及较长卷积核有益于 EEG 解码，但具体收益与适用协议仍需全文核对。

9月18日周五
  1. OpenReview · Representation learning74

    SpecMRL：在参数谱空间中重新设计 Matryoshka Representation Learning

    基于摘要分析。该研究针对 Matryoshka Representation Learning（MRL）联合优化嵌套前缀、却缺乏显式约束确保前部特征形成有效紧凑编码的问题，提出 SpecMRL：引入由参数导出、按特征重要性组织的谱基，在学习到的谱空间中读取前缀，以改善可变维度表示的压缩效果。 机制上，SpecMRL 的主要变化是重组表示空间，而非替换 MRL 的整体训练框架。摘要称其余部分沿用标准 MRL，但未说明谱基由哪些参数构造、重要性如何度量，以及谱基的学习与更新方式；具体损失、训练开销和推理成本尚未验证。因此，其可核对的创新点是前缀读取坐标系与信息排序机制，而不是摘要未提供的网络结构。 作者报告，在 MTEB 上，SpecMRL 在所有已评估的降维设置中均优于 MRL，且压缩越强，收益越大；作者还报告，仅使用一半嵌入维度即可超过全维 MRL。摘要未提供具体任务、指标、分数、原始维度及数据划分，不能据此判断收益幅度或各任务的一致性。实验协议、消融及统计信息尚未验证，复现需进一步核对模型、训练数据、维度设置和基线条件。 平台推测（待验证）：若 EEG 表示需要按存储或推理预算截取维度，按重要性组织谱方向可能缓解直接截取前缀时的信息损失。该假设依赖可学习的向量表示、参数谱结构及足以稳定估计重要性的训练数据；可复用谱空间重组与前缀读取思路，但需适配 EEG 编码器、任务监督和跨被试分布变化。低信噪比、小数据及通道差异可能使重要方向不稳定，或优先保留被试特异信息。一个可检验的小实验是在固定 EEG 编码器、数据划分和训练预算下，对比标准 MRL 与谱空间前缀读取在多个压缩维度下的表现，并分别评估被试内与跨被试协议。已有 EEG 相关工作尚未检索确认，以上并非已验证的 BCI 效果。

    阅读价值：值得核对参数导出的谱基如何改善嵌套前缀的信息排序，以及作者报告的半维嵌入优于全维 MRL 是否在相同训练与评估条件下成立。

  2. OpenReview · EEG79

    NeuroAccord：时间—空间—频率引导的大型 EEG 模型持续学习

    基于摘要分析。研究针对 EEG 基础模型持续学习中新能力获取与旧任务保持之间的矛盾，提出 NeuroAccord：将具有生理依据的时间—空间—频率（TSF）描述符与模型特征关联，以信号结构为参照约束表征变化，而不回放早期 EEG 记录。 机制方面，作者指出，随着共享模型演化，受保护参数对原任务的重要性可能逐渐下降；面对任务与被试异质性，固定回放缓冲区覆盖的历史知识比例也可能降低。NeuroAccord 利用当前任务描述符和冻结的前一阶段模型特征构建 TSF 基，迁移教师模型所表达的样本间关系，并在适应过程中保持 TSF 耦合。跨阶段累积的 TSF 相关方向用于约束特征漂移。摘要未给出描述符定义、基的构建算法、关系迁移目标或具体损失形式，尚不能判断各模块如何实现及其计算成本。 结果方面，作者报告，在覆盖九个数据集、六种范式和四个 EEG 基础模型的任务增量实验中，NeuroAccord 相对于所比较的 18 个基线，取得最高的平均 anytime accuracy 和 backward transfer，以及最低的 forgetting。该优势限于摘要所述评估范围，不能外推至其他持续学习协议。摘要未提供具体分数、指标定义、任务顺序、数据划分，以及被试内、跨被试或跨会话条件，因此无法量化收益或判断不同实验间的可比性。 作者报告消融、鲁棒性及持续学习分析进一步支持可塑性与稳定性的平衡，但实验协议、消融及统计信息尚未验证。复现时需重点核对 TSF 描述符与特征的对齐方式、累积方向的存储及更新成本、教师模型的使用方式，以及不回放早期记录条件下保留哪些历史信息；同时核查任务顺序变化、被试与通道差异对旧任务保持能力的影响。代码、数据预处理和训练配置在所给材料中尚未验证。

    阅读价值：值得阅读的具体原因是 NeuroAccord 尝试以 EEG 时间—空间—频率结构约束持续学习中的特征漂移，且无需回放早期记录；其相对参数保护与样本回放方法的优势仍需结合全文协议和消融结果核对。

  3. OpenReview · EEG75

    vNeuro：EEG 视觉模型的基础

    基于摘要分析。该研究探讨自然视觉数据上学到的表征能否复用于 EEG，以减少从零预训练大型 EEG 专用模型的需求。vNeuro 通过轻量可训练接口，将多通道 EEG 时频表征转换为保留电极几何关系的视觉 token，适配冻结的视频预训练 V-JEPA 2.1 编码器。 机制上，接口在无标签 EEG 上通过潜在表征预测与分布正则化进行自监督训练，视觉主干始终固定；下游训练只优化适配器和分类头。其核心区别在于复用预训练视觉主干，而非从头学习 EEG 主干。时频变换、token 映射、预测目标和正则化的具体形式，以及接口规模与训练数据量，摘要未提供，尚未验证。 作者报告：采用 ViT-B 主干时，vNeuro 在 TUAB 异常检测上的 Balanced Accuracy 为 81.40%，在 TUEV 事件分类上为 68.35%；采用 ViT-G 时，TUEV 的 Balanced Accuracy 为 68.73%。摘要未说明被试内、跨被试或其他划分协议，因此这些结果不能直接与不同协议下的分数比较。作者称其表现可与使用数万小时 EEG 预训练的基础模型竞争，但具体对照模型、预处理与训练预算的可比性尚需核对。 作者报告消融和表征分析支持 EEG 到视觉 token 的映射及带正则化的自监督适配均对性能有贡献；具体效应幅度、实验协议与统计信息尚未验证。复现重点包括电极布局与通道处理、时频输入构造、V-JEPA 2.1 权重配置、适配训练语料及下游数据划分。平台推测（待验证）：固定视觉主干可能减少需要更新的参数，但不能据此认定整体训练成本更低，或已具备跨被试、跨设备泛化能力。

    阅读价值：值得核对其电极几何保持的视觉 token 映射与冻结 V-JEPA 2.1 的自监督适配机制；作者报告其在 TUAB、TUEV 上具有竞争力，但评估划分与计算成本尚需全文验证。

  4. 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 · EEG73

    面向 EEG 基础模型的双曲关系感知图池化

    基于摘要分析。该研究针对 EEG 基础模型的常见读出头在池化预训练 token 时，未显式区分信息相似性与语义具体性的问题，提出轻量、即插即用的 Hyperbolic Relation-Aware Graph Pooling（HRAGP），用于下游分类。 机制上，HRAGP 先将 EEG token 映射到双曲空间，再构建加权有向图：以测地距离提供基于相似性的边权，以 entailment-cone compatibility、方向偏好和径向排序决定边的保留与朝向。随后，有向图模块汇总入边与出边关系，并将所得表示与骨干网络特征的平均池化表示结合。其核心思路是让读出过程利用 token 间的几何与方向关系，而非仅进行无差别平均；摘要未说明具体映射公式、图汇总算子、损失或训练配置。 作者报告，在四个 EEG 基础模型、五个下游基准的实验中，HRAGP 在多数设置下优于平均池化，同时增加相对较少的可训练参数。摘要未给出模型与基准名称、任务、被试规模、被试内或跨被试等划分协议、评价指标、提升幅度及参数量，因此尚不能判断收益大小、跨设置稳定性或计算开销。 复现时需核对骨干是否冻结、对照读出头的训练条件、双曲空间与边方向规则的消融，以及图构建对 token 数量和通道配置的敏感性。实验协议、消融及统计信息尚未验证；也需查阅全文确认语义具体性的几何假设如何对应 EEG 表征，避免将图结构解释直接视为已验证的生理机制。

    阅读价值：值得核对其关系感知读出能否在较小参数增量下稳定优于平均池化，尤其是双曲几何与边方向规则各自的贡献，但具体效果与复现条件尚未验证。

  2. 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。

  3. OpenReview · EEG75

    从生理构成到 EEG 表征中的情感几何

    基于摘要分析。研究针对高维 EEG 表征中情绪相关活动的脑区与频谱构成难以显式刻画的问题，提出生理构成框架：将 EEG 基础模型表征转换为共享的脑区–频率 motif 激活，用可解释的生理空间比较不同模型所组织的情感结构。 核心机制是预先为各 motif 定义头皮区域与频带，并利用相应频带内的频谱活动引导每个 EEG 样本的 motif 激活估计。motif 之间的竞争用于减少证据的重复分配，所有激活共同构成样本特定的生理构成。摘要未给出激活估计的具体公式、竞争机制的实现、损失函数，以及基础模型是否冻结或参与训练，这些细节尚未验证。 作者报告，在全部九个数据集–模型组合中，具有生理结构的 motif 均优于随机映射，支持所学习构成中的生理组织具有预测相关性；摘要未说明对应任务、评价指标、提升幅度及数据划分。作者还报告，两个独立预训练的基础模型恢复出高度相似的情感几何，其中情绪距离的相似度为 0.976，质心角度的相似度为 0.935。相似度的计算定义、情绪类别、统计不确定性及具体评估协议尚未验证，不能将这些数值解释为解码 Accuracy。 该工作的阅读价值在于提供解码性能之外的模型比较维度：考察不同基础模型是否以相近的生理构成组织情感结构。复现时需核对数据集与基础模型身份、motif 词表及区域–频带定义、随机映射对照的构造、被试与会话划分，以及几何相似度的计算方式。跨模型几何相似不等于已验证的跨被试或跨数据集泛化；实验协议、消融及统计信息尚未验证。

    阅读价值：值得阅读的具体原因是作者将 EEG 基础模型表征映射到共享的脑区–频率生理构成空间，并以随机映射对照及跨模型情感几何比较检验其解释价值；具体实验协议与稳定性尚未验证。

9月16日周三
  1. OpenReview · Representation learning78

    结构化表示学习的分区恢复

    基于摘要分析。该研究关注表示在维持预测性能的同时，是否会丢失任务相关的潜在可区分结构，并将这一问题形式化为 partition recovery（分区恢复），即恢复由任务相关可区分性诱导的潜在等价关系。作者提出统计理论与可微表示学习框架 DPT，将分区保持作为区别于预测准确率的学习目标。 理论方面，作者给出一致性保证，以及受表示复杂度和 partition margin（分区间隔）控制的有限样本恢复界；对不均衡情形，作者指出恢复能力受采样最少的潜在模式控制。在此基础上提出 task-structure sufficiency（任务结构充分性），要求表示保留底层分区，而不只是满足预测需求。DPT 可使用领域知识导出的分区，或从数据中通过统计自助法构建的分区训练；具体分区构造、可微目标、损失形式及优化流程尚未验证。 作者报告，在合成与真实世界基准上，常规监督目标可能保留粗粒度预测性能，却破坏真实潜在区别，而 DPT 能保留底层结构并揭示标准 Accuracy 指标无法反映的表示失效。摘要未提供基准名称、数据划分、对照配置及量化结果，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潜在分区的定义与可观测依据，以及分区恢复如何独立于预测性能得到评估。 平台推测（待验证）：迁移到 EEG 的假设是，某些任务相关潜在状态可能被粗粒度标签掩盖，因此分区保持或可补充常规分类评估。可复用的是分区恢复目标与结构评估思路，需改造的是 EEG 编码器和分区构造方式；前提是存在可信的领域分区或可稳定估计的数据结构。低信噪比、通道差异及小样本可能使分区误捕获被试或会话特征，稀有模式也可能难以恢复。一个可证伪的小实验是：在固定 Cross-session 划分和相同编码器下，对比常规监督训练与 DPT，分别评估任务 Accuracy 和预先定义的任务相关分区恢复表现。该假设不代表已证实的 EEG 效果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其分区恢复理论与 DPT 的实现，因为作者将“预测准确但潜在模式被压缩合并”的表示失效转化为独立评估目标；其对 EEG 表示学习的适用性尚未验证。

9月15日周二
  1. OpenReview · EEG70

    EEG-EyeTrack：面向时间序列与功能数据分析的基准、开放挑战及基线

    基于摘要分析。该研究针对从 EEG 重建眼动的回归问题，提出 EEG-EyeTrack 基准数据集，并提供面向功能数据分析（functional data analysis，FDA）的开放挑战、评估指标和 functional neural networks 基线。 数据与任务：作者介绍，新数据集使用消费级硬件在现实条件下采集，主要任务是由 EEG 信号重建眼动。其贡献不仅是提供数据，还包括设计面向 FDA 应用的挑战与评价体系。摘要未说明眼动预测目标的具体表示、同步采集方式、预处理流程或指标定义，这些内容尚未验证。 方法与结果：作者报告，使用 functional neural networks 在新数据集及既有 EEGEyeNet 数据集上建立了基线结果；EEGEyeNet 使用研究级硬件采集。摘要未给出具体性能数值，因此不能判断方法的重建精度，也不能据此认定消费级与研究级硬件之间存在何种性能差距。网络结构、训练目标、对照方法，以及被试内、跨被试、跨会话或跨数据集的划分协议均尚未验证；在两套数据上报告结果不等同于进行了跨数据集泛化评估。 阅读与复现重点：应核对数据的被试规模、EEG 通道配置、眼动参考信号质量、数据划分及评价指标，确认不同数据集上的任务与协议是否可比。对 BCI/EEG 研究而言，该基准可作为 EEG 眼动回归的评估材料，但摘要不足以判断模型利用了哪些信号成分、在真实应用中能否稳定泛化。数据与实现的获取条件、实验协议、消融及统计信息尚未验证。

    阅读价值：该基准将消费级硬件采集的 EEG 眼动重建数据、功能数据分析评估任务与 functional neural networks 基线结合，值得核对其评估协议及与研究级硬件数据 EEGEyeNet 的差异。

  2. OpenReview · EEG77

    BiGEM：用于探究视觉表征几何的双向 EEG–图像生成建模

    基于摘要分析。该研究针对视觉刺激与脑活动之间的映射通常被独立建模的问题，提出 BiGEM 双向生成框架，通过共享视觉潜在空间连接 EEG 到图像解码和图像到 EEG 生成，以研究两种模态之间的共享表征。 核心机制是让两个方向的映射经由同一视觉潜在空间建立联系。作者报告，双向分析中刺激身份在共享潜在表征中保留得最强；联合细化提高了双向一致性，但未改善直接解码。这一区分值得注意：表征的一致性改善不等于解码性能提升。摘要未给出具体网络结构、损失形式、训练阶段或联合细化的实现，尚不能判断一致性约束如何作用于两个方向。 在 THINGS-EEG2 上，作者报告 EEG 驱动的 200 类视觉检索 Top-1 Accuracy 为 49.3%，生成与实测平均 EEG 响应之间的 Pearson 相关系数为 0.456。前者对应视觉检索，后者对应平均响应的生成吻合度，不能互相替代，也不能据后者推断单试次生成质量。被试数、被试内或跨被试设置、训练测试划分、平均响应的计算方式及对照基线尚未验证。 作者报告，学得的 EEG 表征与视觉层级的中间阶段最为对齐，早期 EEG 响应与空间相位、纹理和边缘方向相关。受控扰动分析进一步表明，扰动强度决定生成神经响应的幅度；控制强度后，仍可从响应的时空组织中恢复扰动类别。这为区分响应幅度与时空结构承载的信息提供了分析路径，但摘要不足以支持对生物机制的因果结论。 复现时需核对共享潜在空间的构建、图像与 EEG 的预处理、响应平均及相关系数的计算维度、扰动强度控制方式，以及表征对齐的统计检验。实验协议、消融及统计信息尚未验证；代码、模型权重和复现所需资源的可用性也尚未验证。

    阅读价值：值得阅读的具体原因是 BiGEM 将 EEG 到图像与图像到 EEG 的生成置于共享潜在空间中，并通过双向一致性和受控扰动分析区分检索性能与表征性质；相关机制解释仍需全文实验协议核对。

9月14日周一
  1. OpenReview · Representation learning73

    ΔRepresentation：通过反事实推理为医学 VLMs 学习几何监督的表型表征

    基于摘要分析。该研究针对医学 VLMs 中病理表型与正常解剖信息混合编码的问题，提出 ΔRepresentation：先学习解剖表征，再以病灶相对于对应正常解剖的表征增量刻画表型，而不只依赖语义引导的表征对齐。 框架包含两个模块。BaseAnatomy 利用解剖结构内部及结构之间的空间关系提供细粒度几何监督；ΔPhenotype 计算病灶表征与对应正常解剖表征之间的增量，并监督同一表型的增量在表征空间中聚集。其关键设计是把学习对象从病灶整体表征转向相对于正常解剖的变化量。摘要未说明正常参照如何获取、配对或生成，也未给出具体损失形式与训练流程；“反事实”在此是作者的方法定位，不能据此认定其识别了因果效应。 作者报告，在 ReXGroundingCT 和 LIDC-IDRI 上，该方法改善了病理表型表征的组织性，并提高了医学 VLMs 的病灶定位与表型刻画准确性。摘要未提供具体分数、数据划分及对照基线，实验协议、消融及统计信息尚未验证。复现时应重点核对正常参照构造、几何监督来源，以及两个模块分别带来的收益。摘要提供了代码地址，但代码内容与可运行性尚未验证。 平台推测（待验证）：假设 EEG 中存在可靠的条件匹配参照，增量表征思路可能用于区分稳定背景活动与任务相关变化，对应被试或会话差异掩盖任务信号的瓶颈。可借鉴差分表征与同类增量聚集目标，但解剖空间监督需改造为适用于 EEG 的通道或时空关系约束，且依赖参照匹配、任务标签与可用数据规模。低信噪比可能使差分放大噪声，跨被试参照失配、通道变化和小数据也可能破坏增量的一致性。一个可证伪的小实验是在固定 Cross-subject 划分下，比较原始表征与使用被试内匹配基线构造的增量表征，并加入打乱参照对照，检验收益是否确实依赖有效参照。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将正常解剖表征与病灶相关增量分开建模，为核对几何监督与反事实差分能否改善表型表征提供了明确机制，但其对 EEG/BCI 的价值尚未验证。

9月8日周二
  1. OpenReview · EEG71

    NeuroEvolve：学习为基础模型适配生成何种 EEG

    基于摘要分析。该研究针对 EEG 基础模型下游适配受任务特定数据不足限制的问题，提出反馈驱动的 EEG 生成范式 NeuroEvolve：根据模型需求学习生成何种 EEG，而非仅追求与真实信号相似。其核心观点是，高保真 EEG 不一定是有益于模型适配的 EEG。 方法包含两项机制。Closed-loop Strategy Discovery（闭环策略发现）由规划与评估智能体协作，利用基础模型反馈迭代改进生成策略；Successful Experience Internalization（成功经验内化）将成功交互提炼为可复用知识，面向未见任务使用。相较于摘要所描述的现有方法，其差异在于以模型适配需求驱动生成策略，而不只优化信号保真度或进行通用数据增强。生成器结构、反馈指标、策略搜索过程、知识内化的训练方式，以及下游适配流程尚未验证。 作者报告，在多种 EEG 任务、数据集和基础模型上的实验中，NeuroEvolve 带来一致的适配收益，并验证了两项机制的有效性。摘要未提供具体任务与数据集名称、被试数、数据划分、对照基线或指标数值，因而尚不能判断收益大小，也不能确认这些结果对应被试内、跨被试、跨会话或跨数据集协议。 复现时需重点核对：基础模型反馈使用的数据与评价标准、生成样本的筛选和使用方式、未见任务的定义，以及闭环搜索和经验复用所需的计算成本。尤其需要确认生成策略所用反馈与最终测试评估之间的隔离方式，才能判断适配收益的泛化范围；这属于待核对事项，并非已发现的问题。实验协议、消融及统计信息尚未验证，代码与复现条件也无法从当前材料确认。

    阅读价值：值得阅读的具体原因是其将合成 EEG 的优化目标从信号逼真度转向基础模型适配收益，并提出闭环策略发现与成功经验内化两种机制；收益幅度及反馈评估协议尚需全文核对。

9月5日周六
  1. OpenReview · EEG76

    CoEEG：EEG 解码中的协作学习基准评估

    基于摘要分析。CoEEG 针对 EEG 解码中的被试间差异、单用户标注稀缺及隐私限制下的数据分散问题，构建联合比较模型与协作学习协议的基准。其贡献是将 MI（运动想象）、SSVEP、P300 三种范式、不同模型家族及共享边界放入统一评估框架，而非将协作学习视为普遍有效的训练方案。 基准覆盖具有范式特定先验的传统机器学习模型、从头训练的深度模型及 EEG 基础模型，共比较十种模型和四种涵盖非协作与协作训练的协议。摘要未给出协议名称、客户端构成、具体数据集或被试划分，不能据此判定结果属于何种 Within-subject、Cross-subject 或 Cross-session 设置。 作者报告，SSVEP 中十种模型有九种从协作中获益，并将这一现象解释为被试间决策边界较为共享；P300 中，只有各客户端保留私有分类头时，所有模型才均获益；MI 的收益则集中于独立训练表现较差的模型。在六个联邦评估组合中，从头训练模型家族的平均表现更高，但某个基础模型在其中两个组合取得单模型最佳成绩；摘要未说明这些组合的定义及对应指标。 作者以测得的表征对齐程度和推断的决策边界共享程度解释共享边界的作用，并报告私有分类头在 MI 中产生分化，未改善最弱客户端。摘要还报告 SSVEP 中最弱客户端下降 20.7 个百分点、最强客户端下降 9.3 个百分点，但对应指标、参照协议与客户端分组方式尚未验证，不能据此推导绝对表现。 作者报告，纳入参数量、内存及通信后，轻量模型在多数设置中具有更好的性能—成本权衡，最大基础模型的传输量最高达 378.73 GiB；该数值对应的训练轮次、统计范围及通信方向尚未验证。复现时应重点核对共享与私有模块、客户端数据划分、弱势客户端定义和成本核算口径；实验协议、消融及统计信息尚未验证。

    阅读价值：CoEEG 将 EEG 范式、模型家族与参数共享边界纳入同一评估框架，值得核对其协作收益、弱势客户端表现及通信成本之间的权衡，但具体协议与统计可靠性尚未验证。

7月10日周五
  1. OpenReview · Representation learning66

    强化学习中的在线行为修改：约束潜变量与行为轴之间的单调性

    基于摘要分析。该研究针对强化学习（RL）机器人在线调整行为风格时，潜变量与行为轴之间映射复杂、难以预测的问题，提出基于 Spearman 秩相关的正则化，以促进一致、单调的映射，并保留行为多样性。这里的在线行为修改指通过潜变量调节行为，而不需要重新训练。 核心机制是对潜变量与行为轴之间的排序关系施加约束，使潜变量的变化对应更可预测的行为变化。摘要将 ACORD（Adjustable Control for RL Dynamics）列为现有方法的例子，指出其映射可能需要事后调校才能供人使用；但未提供正则项的具体形式、行为轴定义、优化方式，也未明确 ACORD 是否作为实验对照，这些信息尚未验证。 作者报告，在逼真仿真环境中，该方法产生了更稳定、更可预测的潜变量—行为映射。摘要未提供环境名称、量化指标、对照结果或真实机器人验证信息，因而目前无法判断改进幅度及其适用边界；实验协议、消融及统计信息尚未验证。复现需核对行为轴的测量方式、秩相关约束的实现与权重，以及行为多样性的评估方法。 平台推测（待验证）：若 EEG/BCI 系统已有可测量的连续控制输出和可调潜变量，可假设此类单调性约束有助于提高控制调节的可解释性，而非直接改善 EEG 解码。可复用的是排序约束思想，需要改造的是行为轴定义及其与控制输出的对应关系；其适用性依赖可排序的变量和可靠的输出测量。低信噪比、跨被试与通道差异可能使排序关系不稳定，小数据也可能使约束抑制有用变化。一个可检验的小实验是在固定 EEG 解码器的连续控制任务中，对比加入与不加入该约束时的映射单调性、控制误差及输出范围。已有 EEG 相关工作尚未检索确认。

  2. OpenReview · Representation learning67

    遍历式表面精加工中基于人类纠正的运动约束在线学习

    基于摘要分析。研究针对打磨、抛光和研磨等接触密集型表面精加工任务，在作者此前的遍历控制（ergodic control）框架上引入人类物理纠正，使机器人在执行过程中在线调整运动约束与目标覆盖分布。核心贡献是将人工反馈纳入持续交互过程，同时修正机器人“在哪里作业”与“如何运动”。 机制上，遍历控制根据目标分布及历史覆盖情况组织机器人运动。摘要区分了两类互补的人类干预：接触过程中的纠正性引导用于更新运动约束；重新定位操作则用于更新期望覆盖分布，表达哪些区域需要更多或更少的作业关注。作者将这一扩展描述为从离线学习转向交互式人机协作，但摘要未给出约束的数学表示、反馈编码、更新规则、优化目标或实时计算要求。 作者报告提供了在真实工件上在线纠正运动偏好的视频演示。该材料支持存在演示这一事实，不能据此确认表面质量、覆盖效率、接触力控制或安全性能的改善。对照方法、实验协议、消融及统计信息尚未验证；复现还需核对机器人与工具配置、传感方式、人类干预识别机制，以及学习后的约束如何进入控制器。 平台推测（待验证）：该工作的潜在参考价值在于将人类反馈拆分为目标区域调整与执行约束调整，而不是直接提供 EEG 表征学习方法。摘要中的反馈来自物理干预，迁移到 BCI 还需要额外的意图解码及不确定性处理，不能将原任务中的交互机制视为已验证的 EEG/BCI 效果；已有 EEG 相关工作尚未检索确认。

  3. OpenReview · Representation learning71

    通过 Neural Radiance Fields 对齐人类检查意图与机器人行为

    基于摘要分析。研究针对小型工业部件检查中机器人视点控制依赖工程 expertise、现场协作及反复人工干预的问题，提出从感知到动作的框架：操作者通过目标表面的一张或多张 RGB 参考图像表达检查意图，系统将其转换为机器人可执行的观察轨迹。 核心机制是用检查对象的多视角采集数据训练 Instant-NGP 辐射场，作为人类示范与机器人动作之间的共享表示。系统通过场景自适应复合损失，将参考图像与 NeRF 渲染的候选图像匹配，再以姿态估计恢复 6-DoF 相机姿态，并将这些姿态串联为 UR5e 机器人的执行轨迹。摘要未给出复合损失的具体形式、候选视点生成与搜索策略，以及相机姿态到机器人运动的标定和规划细节，这些均尚未验证。 作者报告在合成基准和真实机器人执行中进行了验证，并称系统能够处理梯度式反演失效时的大旋转偏差，不需要 CAD 模型、深度传感器或动觉引导。这些结论依赖对象的多视角采集与已训练辐射场；摘要未提供基准名称、数据划分、对照配置、姿态误差或执行成功率，实验协议、消融及统计信息尚未验证。 本文的“人类意图”由 RGB 图像示范表达，并非从 EEG 或其他脑信号解码，不能视为已验证的 BCI 方法。其直接复现价值在于检查图像匹配能否稳定转化为可执行视点；需进一步核对反光或弱纹理表面、参考图像与采集条件变化、机器人可达性及轨迹安全约束下的表现。尚未检索确认相关 EEG 工作。

    阅读价值：值得阅读其以 Instant-NGP 作为人类图像示范与机器人视点控制之间共享表示的机制，尤其是作者报告可处理梯度式反演失效的大旋转偏差，但具体性能与复现条件尚未验证。

  4. OpenReview · Representation learning65

    随机结果下的风险感知偏好学习

    基于摘要分析。研究关注人机交互中通过人类偏好学习奖励函数时，期望效用（EU）假设能否准确描述用户对随机结果的评价。作者在社会机器人导航场景中，将 EU 与累积前景理论（CPT）纳入 Bradley-Terry 偏好学习框架进行比较，以研究风险敏感决策模型对奖励恢复的影响。 EU 按结果概率线性汇总效用；摘要指出，人类可能高估罕见负面事件并表现出损失厌恶，因此这一假设可能偏离用户偏好。研究以碰撞等发生概率低、后果严重的导航结果为背景，用 CPT 的非线性决策建模与 EU 对照。CPT 的具体参数化、参考点设定、偏好概率构造及优化方式尚未验证。 作者报告，在偏好由风险敏感用户生成的初步实验条件下，CPT 学习器恢复奖励函数的 regret 显著低于 EU 学习器。摘要未给出数值、regret 定义或统计检验，因此这里的“显著低于”仅转述作者的定性描述，不代表已确认统计显著性。偏好来自真实参与者还是模拟生成、样本规模、训练与测试划分、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能适用于依据用户偏好优化 BCI 辅助设备行为的奖励学习，尤其是错误操作后果不对称的情境，但它不是 EEG 表征或解码方法。迁移依赖可描述的随机行动结果及偏好监督；可复用偏好比较框架，需重新定义 BCI 的结果、风险与用户参考点。低信噪比 EEG 导致的概率估计误差、跨被试风险偏好差异及小样本下 CPT 参数难以辨识均可能使迁移失败。一个可检验的小实验是在固定 BCI 行动及结果概率的条件下收集成对偏好，以相同划分比较 EU 与 CPT 对留出偏好的预测表现，并核对奖励恢复指标的适用性。已有 EEG/BCI 相关工作尚未检索确认。

  5. OpenReview · Representation learning70

    家庭环境中照护提供者参与的纵向机器人示范学习

    基于摘要分析。本研究考察非专家终端用户在家庭环境中、没有机器人专家实时反馈时，通过 Learning from demonstration（LfD，示范学习）教授机器人新技能所面临的关键障碍。研究以照护提供者为参与群体开展多次访问的人体参与实验，旨在提高 LfD 可用性评估的生态效度。 研究设计：摘要指出，既有非专家 LfD 可用性评估多在受控实验室环境中进行，且有机器人实验人员在场。本研究在家庭环境下采用既有工作开发的两类示教者指导方式：预先培训（pre-training）与自适应反馈（adaptive feedback）。这里的 pre-training 指面向示教者的指导，不应据此理解为模型预训练；两类指导的具体内容、反馈依据及实验分组尚未验证。 贡献与证据边界：研究重点是非专家示教过程的使用障碍及纵向评估，而非摘要明确提出的新学习算法。作者提出计划开源照护提供者在家庭环境中、跨多次访问教授机器人辅助任务所形成的 LfD 数据集；摘要未确认数据已经发布，因此不将其视为已发布的数据集。摘要未列出具体障碍、任务表现或指导效果，不能据此判断哪种指导更有效。 全文核对重点包括参与者人数与背景、访问次数和间隔、辅助任务定义、机器人与 LfD 实现、指导条件的对照安排、可用性及任务成功指标，以及重复测量的统计处理。实验协议、消融及统计信息尚未验证。材料不涉及 EEG 或 BCI，亦不足以提出具体的算法迁移结论。

    阅读价值：值得阅读的具体原因是其将非专家机器人示教评估扩展到家庭环境中的多次访问，并考察缺少机器人专家实时反馈时的使用障碍；障碍类型及指导效果尚需全文验证。

6月26日周五
  1. OpenReview · EEG68

    可靠性引导的 EEG 基础模型适配用于发作间期癫痫样放电检测

    基于摘要分析。该研究针对短时生理记录中发作间期癫痫样放电（IED）稀疏、形态多变且易与伪迹混淆的问题，提出仅使用信号的二分类 IED/spike 检测系统：先适配 EEG 基础模型生成候选评分，再利用 EEG 形态与同步 ECG/EMG 的生理质量证据修正置信度。 方法以 ST-EEGFormer 为 EEG 参考评分器，通过任务特定微调与低秩适配器细化获得候选评分。随后结合候选级 EEG 形态线索及 ECG/EMG 衍生质量线索，保留高置信度的 IED 样预测、抑制容易受伪迹影响的候选，并恢复形态上符合癫痫样放电特征的候选。其可核对的方法特点是将辅助生理信号用于质量感知的评分修正，而非将检测重点从 EEG 转移到辅助信号；具体融合规则、阈值和训练方式尚未验证。 作者报告，在 NeuroMM 2026 Grand Challenge 官方 Track 1 NMM-Basic-IED 评估中，最终提交的精确率—召回率曲线下面积（AUPRC）为 0.9790，高于摘要所列参考排序的 0.9728 和最强单模型系统的 0.9720。这一结果支持该组合策略在该挑战设置中的有效性，不能直接外推为其他数据集或临床场景中的检测性能。 全文未取得，被试数量、数据划分、被试内或跨被试协议、候选生成方式、伪迹标注、消融及统计信息尚未验证。复现需核对 ST-EEGFormer 的适配配置、同步信号预处理与对齐、形态和质量特征定义，以及置信度修正规则；还需确认模型权重、实现与评估数据的可获取条件。该材料属于检测方法研究，尚不足以构成临床验证或实践建议。

5月23日周六
  1. OpenReview · EEG66

    结合空间滤波与注意力的临床 EEG 异常检测端到端扩散建模

    基于摘要分析。该研究针对临床 EEG 的信号异质性、噪声污染及被试间变异，提出 DiffSA-EEG，将可学习空间滤波、堆叠去噪自编码器（SDA）和卷积块注意力模块（CBAM）整合到端到端判别框架中。核心贡献是把去噪扩散概率模型（DDPM）直接用作分类器的辅助去噪目标，而非主要用于数据生成或增强。 机制上，该框架联合利用空间滤波、去噪表示学习与注意力模块处理 EEG，但摘要未给出扩散过程的具体作用位置、噪声调度、分类与去噪损失的组合方式，也未说明推理阶段是否需要扩散采样；这些内容需结合全文核对，不能据此判断计算成本或部署可行性。 作者在 Temple University Hospital Abnormal EEG Corpus（TUAB）与 Temple University Epilepsy Corpus（TUEP）上进行评估，并报告相较 EEGNet、Deep4Net、ChronoNet、temporal convolutional networks 和 Diff-E backbone，DiffSA-EEG 达到最佳或相近表现，其中 Accuracy 与 AUC-ROC 的收益最为一致。摘要未提供具体数值、样本规模、被试划分及被试内或跨被试协议，因此尚不能量化收益或判断泛化范围。 作者报告消融结果具有数据集依赖性：空间滤波与 SDA 的组合在 TUAB 上最有效，SDA 与 CBAM 的组合在 TUEP 上表现更优。这提示组件选择需要按任务和数据条件验证，而非默认全部模块同时使用最优。作者还报告 Grad-CAM 空间模式与既有神经生理标志物大体一致，但该结果不等同于临床有效性或因果解释的验证。 复现时需核对标签定义、预处理与通道配置、划分协议、基线训练条件、辅助目标权重，以及消融和统计信息；这些细节尚未验证。材料属于临床 EEG 分类方法研究，不能据摘要将结果扩展为 BCI 在线控制效果或临床实践建议。

3月10日周二
  1. OpenReview · EEG68

    面向长序列 EEG 建模的高效自监督框架

    基于摘要分析。该研究针对 EEG 低信噪比、被试间差异及 Transformer 长序列建模计算开销较高的问题，提出自监督框架 EEGM2，将 Mamba-2 集成到 U 形编码器—解码器中，并采用联合 L1-spectral loss，兼顾时域动态与频谱特征。 核心机制是利用 Mamba-2 的选择性信息传播捕获长程依赖。作者称该框架具有线性复杂度，相较 Transformer 方法可减少内存使用并加快推理。联合 L1-spectral loss 的设计意图是同时约束时域与频域信息，但具体损失定义、权重、预训练任务、输入表示及训练流程尚未验证，不能仅凭摘要判断其信息保留效果或各组件贡献。 作者报告 EEGM2 在短序列和长序列建模中达到最先进性能，并表现出较强的 Cross-subject 泛化与跨域迁移能力。摘要未提供数据集、被试数、序列长度、划分方式、指标数值及对照基线，因此尚不能量化性能收益，也不能将跨域迁移直接等同于 Cross-dataset 或 Cross-session 结果。实验协议、消融及统计信息尚未验证。 复现时应重点核对不同序列长度下的计算量、峰值内存和推理延迟，以及对应硬件、批量大小和基线配置；同时检查 Cross-subject 划分与迁移评估条件，以区分架构效率收益和训练设置的影响。作者提供了模型与代码仓库，但仓库内容、权重及运行条件尚未核验。面向资源受限 BCI 设备的适用性是作者提出的应用判断，摘要未给出设备端实测证据。

3月3日周二
  1. OpenReview · Representation learning73

    面向 flow-matching 模型的结构化图像表征学习

    基于摘要分析。该研究针对标准 flow-matching 图像生成模型难以同时学得可操作、可组合及可供其他任务使用的潜在表征这一问题，提出共同训练图像编码器与以潜变量为条件的 flow-matching“解码器”，将无监督表征学习与图像生成结合。 核心机制是使用强化学习目标训练编码器，并将 flow-matching 回归损失作为随机奖励信号。作者进一步修改强化学习目标，使期望奖励以噪声水平为条件，从而让编码器利用 flow-matching 输出与带噪目标比较所产生的中间信号。摘要未提供奖励与损失的具体转换、梯度估计方式、噪声条件化的实现，以及结构化潜变量的定义与约束，这些细节尚未验证。 作者报告，该方法能够学习非结构化与结构化潜变量，同时保留 flow-matching 的高质量生成能力；但摘要未给出数据集、评估协议、对照模型或定量指标，因此尚不能确认表征的可组合性、下游效用与生成质量之间的权衡。实验协议、消融及统计信息尚未验证，复现还需核对编码器与生成模型的训练安排及实现条件。 平台推测（待验证）：若潜变量能分离任务相关因素与噪声因素，该机制可能用于 EEG 时频图的无监督表征学习。原方法依赖图像输入、带噪目标和条件生成训练；迁移时需改造编码器、生成目标及潜变量结构，以适配通道关系和时间信息。低信噪比、跨被试差异及小数据可能使潜变量优先编码伪迹或被试身份，而非任务信息。可检验的小实验是在固定 Cross-subject 划分下，仅用训练被试数据学习表征，再以冻结编码器进行任务线性探测，并与非结构化潜变量版本比较，同时检查被试身份可预测性。该实验属于迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其以 flow-matching 回归损失作为随机奖励、并按噪声水平条件化期望奖励的编码器训练机制，以及结构化潜变量的可复用性是否获得下游实验支持。

3月2日周一
  1. OpenReview · EEG73

    我们需要领域专用的时间序列模型吗？来自 EEG 分类基准的启示

    基于摘要分析。该研究以 EEG 分类为案例，考察在异构时间序列上进行大规模预训练的通用时间序列基础模型，是否能够有效迁移到专门领域。核心贡献是比较通用模型、EEG 基础模型与经典神经网络基线，并通过线性探测、微调及随机初始化对照，分析模型性能的可能来源。 研究评估了 Mantis（约 8M 参数）和 MOMENT（超过 300M 参数），使用四个公开 EEG 数据集：TUEV、FACED、BCI-IV-2A 和 Error。摘要明确列出了线性探测与微调两种评估方式，但未提供各数据集的具体任务设置、被试内或跨被试等划分、指标及基线名称，因此不能将不同任务或协议下的表现直接合并比较。 作者报告，微调后的通用模型常能达到与 EEG 专用模型相当的表现，而线性探测的迁移表现较差。作者还报告，随机初始化的 Mantis 与预训练版本表现相近，并据此提出：其架构而非预训练可能解释了相当部分性能。这一解释不等于通用预训练对所有 EEG 任务无效，也不能直接推广至 MOMENT。 复现时值得核对预训练与随机初始化版本是否采用一致的数据划分、训练预算和模型选择流程，并分别查看各数据集的结果与不确定性。具体性能数值、实验协议、消融及统计信息尚未验证；全文、实现与复现条件也尚未核实。

    阅读价值：值得核对其通用时间序列基础模型与 EEG 专用模型的对照，以及 Mantis 预训练与随机初始化的比较，以区分预训练迁移收益和架构本身的贡献。

  2. OpenReview · EEG69

    平衡潜在语义与信号保真度的 EEG 表征学习

    基于摘要分析。该研究针对 EEG 低信噪比与被试差异带来的表征学习困难，提出基础模型 STELAR，通过双空间目标兼顾潜在语义稳定性和原始信号保真度，并使用 MTPE-GB 自适应平衡两类任务。 核心机制：作者认为，依赖原始信号重建的现有基础模型容易过拟合局部噪声。STELAR 将 patch 级掩码潜在预测与掩码信号重建结合，前者用于学习稳定语义，后者用于保留原始信号信息。摘要未说明潜在预测目标如何生成、掩码策略、编码器结构或具体损失形式，这些细节尚未验证。 任务平衡：MTPE-GB 被描述为验证驱动的梯度平衡器，可自适应调整任务权重。作者声称该机制不需要手工调参，也不增加计算开销；其验证信号来源、权重更新规则及开销核算范围需由全文确认。 结果与边界：作者报告，STELAR 在多个 EEG 基准的线性探测评估中达到最先进表现，并据此主张模型具有稳健泛化能力。摘要未提供数据集名称、被试规模、划分方式、对照基线或具体指标，因此尚不能确定这些结果对应被试内、跨被试、跨会话还是跨数据集泛化，也不能据此推断端到端微调或临床诊断效果。实验协议、消融及统计信息尚未验证。 复现重点是核对双目标相对单独重建或单独潜在预测的贡献，以及 MTPE-GB 相对固定权重的收益与实际计算成本。作者表示将发布全部源代码，但当前材料不足以确认代码已经公开。

1月26日周一
  1. OpenReview · Representation learning73

    CARL：在表示学习中保持因果结构

    基于摘要分析。该研究关注跨模态表示学习中的因果结构漂移：非线性映射可能引入伪依赖或丢失关键中介变量，使共享表示不再支持原有因果推断。作者提出 Causal Alignment and Representation Learning（CARL），将因果结构保持约束嵌入跨模态对齐目标，在压缩与变量保留之间取得平衡。 机制上，CARL 采用多一致性损失，联合优化条件独立保持与信息瓶颈正则化，旨在避免低密度模态被高密度模态的重建需求掩盖。另以 Spearman 相关构建单调对齐一致性损失，约束语义相似性与表示距离之间的对应关系；通过 Markov boundary 保持损失，尝试在共享表示空间中维持后门、前门及工具变量等因果识别条件。具体损失公式、因果结构先验来源、估计方法及保证成立的假设尚未验证，不能仅凭摘要将其视为普遍的因果不变性保证。 作者报告，在具有已知因果真值的合成实验中，CARL 在条件独立模式保持与结构不确定性下的因果查询可识别性方面达到最先进表现，但摘要未给出指标数值或对照方法。作者还报告，在 Human Phenotype Project 数据上，该方法保留了眼底血管表示与心血管事件之间的因果结构。具体样本、模态配置、数据划分、混杂控制、实验协议、消融及统计信息尚未验证；这些表述不等同于已证实临床因果效应。 平台推测（待验证）：若 EEG 与其他模态共享可检验的因果变量结构，CARL 的条件独立保持与压缩约束可能用于研究跨模态对齐是否损失关键变量。可复用的是约束思路，需改造 EEG 编码、语义相似性定义及因果变量映射；低信噪比、被试差异、通道变化与小数据可能使条件独立估计不稳定。一个可证伪的小实验是在具有已知因果图的模拟 EEG—辅助模态数据上，对比普通对齐与加入 CARL 约束后的条件独立保持和因果查询可识别性，而非仅比较任务预测指标。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 CARL 如何将条件独立与 Markov boundary 保持纳入跨模态表示学习，以及这些约束能否支撑因果查询可识别性；摘要中的理论保证与实验优势尚需全文验证。

  2. OpenReview · EEG77

    EEG 基础模型值得采用吗？在多种 BCI 任务中与传统解码器的比较评估

    基于摘要分析。该研究考察 EEG 基础模型相较于传统解码方法，尤其是经典非神经网络方法，是否具有稳定优势；核心贡献是跨数据集、解码任务和六种评估协议的比较基准，并引入 ST-EEGFormer 作为预训练基线。 方法方面，ST-EEGFormer 是基于 Vision Transformer（ViT）的时空 EEG 模型，仅使用 masked autoencoding（MAE）在超过 8M 个 EEG 片段上预训练。摘要未提供片段长度、来源构成、预训练与下游数据的关系，以及掩码策略和微调配置，这些复现条件尚未验证。研究覆盖多种 EEG 基础模型、紧凑神经网络与经典非神经网络解码器，并采用统计检验；具体模型、数据集、任务及六种协议的定义未在摘要中列出，不能据此确定其被试内、跨被试或跨会话设置。 作者报告，微调后的基础模型在数据充足、群体层面的评估中表现较好，但在数据稀缺场景下，往往不能显著优于紧凑神经网络，甚至经典非神经网络解码器。作者还报告，线性探测的表现持续偏弱，下游任务之间的性能差异较大，所比较的神经网络解码器未呈现清晰的缩放规律。摘要未给出具体指标、效应量或统计检验细节，因此这些结论不能扩展为所有 EEG 基础模型或所有 BCI 场景的普遍判断。 作者将结果解释为预训练与下游微调之间存在较大落差，复杂预训练任务的收益可能因此被削弱，并指出有未显式揭示的架构因素影响性能。阅读全文时需核对架构因素如何被隔离、预训练和微调贡献如何比较，以及各协议的数据划分、调参预算和统计方法。实验协议、消融及统计信息尚未验证；当前材料支持将其作为 EEG 基础模型收益边界的评估研究，而非认定基础模型无效。

    阅读价值：该研究通过多任务、六种评估协议及统计检验比较 EEG 基础模型与传统解码器，值得核对其数据稀缺场景下的收益边界及预训练与微调贡献的区分。

  3. OpenReview · Representation learning69

    面向医学超声的解剖感知表征学习

    基于摘要分析。研究针对医学超声图像纹理与结构特征独特、诊断依赖专业经验以及大规模数据稀缺的问题，提出自监督表征学习框架 Anatomy-aware Representation Learning（ARL），旨在学习适用于超声诊断的解剖感知特征。 核心方法是引入 anatomy-adaptive Vision Transformer（A-ViT），利用作者提出的大规模医学超声数据集进行参数学习，以获得解剖感知表征。摘要未说明解剖信息如何进入模型、是否需要解剖标注、自监督目标及具体训练与推理流程，因此尚不能判断其相对通用 Vision Transformer 的机制差异，也不能将其等同于某种特定的掩码建模或对比学习方法。 作者报告，在乳腺癌与甲状腺癌相关诊断、心脏切面分类、胆囊肿瘤及 COVID-19 识别等超声任务上，ARL 显著优于现有自监督学习基线。摘要未提供数据集名称、样本规模、划分方式、基线配置、指标或具体数值；实验协议、消融及统计信息尚未验证。复现时需核对预训练数据与下游评估数据的关系、解剖适应组件的实现，以及数据和代码的可用性。 平台推测（待验证）：其可迁移假设是，将领域结构先验纳入自监督表征可能有助于缓解 EEG 通道结构差异与小样本学习问题，但超声空间纹理与 EEG 时序信号的数据结构不同。可考虑复用领域适应的编码器设计思路，需重新构造时序输入与电极空间信息；低信噪比、跨被试差异和缺失通道可能使结构先验失效。待全文明确机制后，可在固定 Cross-subject 划分与训练预算下，对照通用编码器和加入电极结构先验的版本，并测试通道缺失时的表现，以检验这一假设。相关 EEG 工作尚未检索确认。

  4. OpenReview · Representation learning68

    学习 3D Gaussian Splatting 的统一表示

    基于摘要分析。该研究针对 3D Gaussian Splatting（3DGS）原始参数难以直接作为神经网络特征的问题，提出基于 continuous submanifold fields（连续子流形场）的嵌入表示，旨在保留 Gaussian primitives 的内在颜色与几何信息，并实现唯一映射和通道同质性。 核心问题在于：3DGS 虽可支持高效、显式的三维重建，但其参数化具有非唯一性与异质性。作者认为，直接将原始 Gaussian 参数输入学习框架未能解决这些性质，容易得到高度依赖具体数据的模型。本文的思路是重构输入表示，而非仅依赖下游网络自行适应原始参数；摘要未说明连续子流形场的具体构造、唯一映射的定义及保障方式，也未披露损失函数、训练或推理流程。 作者主张该嵌入有利于 3DGS 学习，但摘要未提供任务、数据集、对照基线或定量指标，因此不能据此判断收益大小及泛化范围。实验协议、消融及统计信息尚未验证；复现还需核对场表示的计算方式、离散化与采样要求，以及相对原始参数输入的计算开销。 平台推测（待验证）：处理输入表示非唯一性与通道异质性的思路可能启发 EEG 表征设计，但当前机制依赖三维 Gaussian primitives 的几何与颜色结构，不能直接等同于 EEG 电极通道及时间序列结构。材料不足以提出可靠的 BCI 迁移方案，已有 EEG 相关工作尚未检索确认。

12月31日周三
  1. OpenReview · EEG69

    用于长序列 EEG 建模的高效自监督框架

    该研究针对 EEG 低信噪比、高被试间差异及 Transformer 长序列建模的计算开销，提出自监督框架 EEGM2，通过结合 Mamba-2 的 U 形编码器—解码器与联合 L1-spectral 损失，兼顾长程依赖建模和时频特征保留。以下基于摘要分析，未取得论文全文。 核心机制方面，摘要称 Mamba-2 的选择性信息传播机制有助于捕获长程依赖，并使框架达到线性复杂度。联合 L1-spectral 损失用于保留时间动态与频谱特征，但其具体形式、权重配置、频谱计算方式及自监督任务构造尚未验证，不能据此认定采用了掩码建模或特定重建协议。U 形结构与 Mamba-2 的具体组合方式也需查阅全文。 结果方面，作者报告 EEGM2 在短序列与长序列建模中达到领先性能，并具备较强的跨被试泛化与跨域迁移能力；同时报告内存占用降低、推理加快。摘要未提供数据集、被试数、序列长度、划分方式、基线、指标或数值，因此这些结论目前只能作为作者报告，不能量化优势，也不能将跨域迁移直接等同于跨数据集评估。实验协议、消融及统计信息尚未验证。 复现时应重点核对：线性复杂度对应的计算范围与实际序列长度；相同硬件、批量大小和精度下的内存与推理开销；跨被试评估中的预训练与下游数据划分；以及 Mamba-2 和 L1-spectral 损失各自的贡献。摘要提供了模型与代码地址，但其可访问性、配置完整性及结果可复现性尚未验证。面向资源受限 BCI 设备的适用性是作者提出的应用判断，实际设备上的延迟、内存和功耗表现仍需核对。

  2. OpenReview · EEG66

    EEG2Mesh：从 EEG 生成高质量 3D 网格

    基于摘要分析。该研究面向从 EEG 重建视觉刺激的 3D 表示问题，提出 EEG2Mesh，将 EEG 编码、2D 图像生成和 3D 网格重建串联，探索从脑信号到三维几何的生成路径。 核心机制：EEG 编码器同时提取时域与频域特征，以增强对复杂、不稳定 EEG 信号的表征；随后，2D 图像生成模块采用两阶段策略，根据 EEG embeddings 重建图像，并将其作为 3D 重建的条件。最后，框架结合多视角扩散模型与稀疏视角重建技术生成 3D 网格。摘要未说明时频特征的具体提取方式、两阶段生成各自的职责、训练损失或各模块的训练与推理配置。 作者报告，该框架能够生成高质量 3D 网格，并缓解复杂背景导致的漂浮伪影（floaters）和云状伪影，同时改善多视角一致性。但摘要未提供定量指标、对照基线或评估协议，因此尚不能判断改进幅度，也不能区分 EEG 条件信息与生成模型先验对重建结果的贡献。作者将该工作定位为 EEG 三维重建的开拓性探索，其优先性尚未检索确认。 复现与核对重点包括：EEG 与视觉刺激的配对方式、数据集和被试构成、被试内或跨被试划分、2D 条件图像与目标 3D 对象的对应关系，以及几何质量和多视角一致性的评价方法。还需核对时频编码、两阶段图像生成及多视角重建模块的独立贡献，尤其关注中间图像误差是否向三维几何传播。实验协议、消融及统计信息尚未验证，代码与模型权重的可用性亦尚未验证。

  3. OpenReview · EEG61

    CSTNet：基于 Optimal Transport 的 EEG 到 ECoG 映射生成框架

    基于摘要分析。该研究针对传统 EEG 逆解中的空间模糊与定位偏差，提出 Cortical Signal Transformation Network（CSTNet），利用 Optimal Transport（OT）将头皮 EEG 电位直接映射为 ECoG 等效皮层信号。核心贡献是以配对 EEG–ECoG 数据的几何对齐构建深度学习映射，而非依赖传统逆解路径。 机制上，作者提出通过 OT 对齐配对信号的几何结构，并声称该过程能够绕过显式噪声建模假设，同时保持皮层信号拓扑。摘要未说明 OT 的代价函数、运输对象、拓扑保持约束、生成机制或网络结构，因此尚不能判断这些主张如何落实到训练目标与推理过程。绕过显式噪声建模也不等于对噪声天然鲁棒。 作者将癫痫手术规划和 BCI 列为潜在应用，但摘要未提供定量结果、对照基线、数据集、被试数量或被试内、跨被试及跨会话划分，尚不能确认其映射精度、泛化能力或临床有效性。“ECoG 等效”是映射目标，不应据此认为输出已达到真实 ECoG 的测量精度。实验协议、消融及统计信息尚未验证。 复现与进一步评估需核对配对 EEG–ECoG 数据的采集和时空配准方式、ECoG 覆盖范围与目标空间定义，以及 OT 对齐和模型训练的具体实现。尤其需要区分信号重建误差、空间定位误差与下游 BCI 性能，避免用单一映射指标替代实际应用验证。

11月27日周四
  1. OpenReview · EEG79

    从少量 EEG 试次估计事件相关电位

    基于摘要分析。研究针对传统 ERP 估计需要平均大量 EEG 试次以降低噪声与信号变异的问题，提出不确定性感知自编码器 EEG2ERP，将任意数量的 EEG 试次映射为对应 ERP，并建模估计的不确定性。 核心机制是使用 bootstrap 构造训练目标，并引入独立的方差解码器描述 ERP 估计的不确定性。摘要未说明可变试次数输入如何组织、具体损失函数、网络结构及方差输出的校准方法，这些实现细节尚未验证。作者声称这是首个将 EEG 信号映射为对应 ERP 的深度学习方法；该优先性声明尚未独立检索确认。 评估采用面向新被试泛化的零样本场景，即 Cross-subject 评估，涉及三个公开数据来源：ERP CORE，包含来自 40 名被试、覆盖六种 ERP 范式的超过 50,000 个 EEG 试次；P300 Speller BCI 数据集；以及同时包含 EEG 与 MEG 的面孔感知神经成像数据集。摘要未交代各数据源的训练与测试划分，也未说明面孔感知数据中 MEG 的具体使用方式，不能据此认定采用了 EEG–MEG 联合建模或 Cross-dataset 评估。 作者报告，在上述新被试零样本评估的少试次条件下，EEG2ERP 持续优于常规平均和稳健平均方法，但摘要未提供误差指标、具体试次数、效应大小或统计信息。这一结果支持进一步核查其减少 ERP 研究试次需求的潜力，不等同于已验证 P300 在线分类性能或临床效用。 复现可从材料提供的 EEG2ERP 代码仓库入手，重点核对 ERP 参考目标的构造、bootstrap 采样流程、被试划分、不同试次数下的比较，以及方差预测与实际估计误差是否一致。实验协议、消融及统计信息尚未验证。

    阅读价值：值得关注 EEG2ERP 如何结合 bootstrap 训练目标与独立方差解码器，在新被试零样本条件下估计少试次 ERP；其误差优势及不确定性校准仍需核对全文与代码。

9月23日周二
  1. OpenReview · Representation learning75

    关系表征学习

    基于摘要分析。该研究提出 Relational Representation Learning（RRL），将表征学习统一描述为关系图估计问题：不再孤立地处理样本，而是通过样本间的成对关系定义学习目标，并由编码器产生的嵌入估计关系图、最小化其与指定目标图的差异。 核心贡献是把自监督、半监督与监督学习目标纳入同一数学框架。作者据此分析自监督学习中的收敛缓慢、性能差异，以及 projector 与 backbone 的准确率差距，并讨论辅助投影头的作用。摘要未给出关系图的具体构造、差异度量、损失形式或训练流程，这些实现细节尚未验证。 作者报告，在其所用实验设置中，提高图内关系的丰富度能够加快收敛并改善下游表现。摘要未提供数据集、划分、对照基线、指标数值或关系丰富度的操作定义，因此目前无法判断改善幅度与适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 样本之间能够定义可靠的任务相关关系，RRL 或可用于研究跨被试表征中任务信息与个体差异的分离。其迁移依赖可用的成对关系或监督信息，以及足够稳定的图估计；可复用的是目标图与嵌入关系匹配的思路，需改造 EEG 编码器、关系构造及通道对齐方式。低信噪比可能使图主要反映伪迹，被试与通道差异可能主导样本关系，小数据则可能导致关系估计不稳定。一个可证伪的小实验是，在固定 EEG 数据划分、编码器与训练预算下，比较原有预训练目标和 RRL 目标，并逐步改变关系丰富度，观察收敛速度与同一跨被试协议下的下游指标是否同步改善。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其将多类预训练目标统一为关系图估计的形式化框架，并核对关系丰富度如何影响收敛与下游表现；这些结论在 EEG 场景中的适用性尚未验证。