MoST：用于 3D 表征学习的高效 Monarch 稀疏调优

MoST 面向 3D 点云表征学习中的参数高效微调（PEFT），通过将稠密权重更新矩阵重参数化为稀疏 Point Monarch 矩阵，旨在减少可训练参数并保留局部几何表达能力。基于摘要分析，尚未取得论文全文。 核心机制是为不规则点云设计结构化矩阵族 Point Monarch，再以该结构表示微调中的权重更新。与 adapter 和 prompt-tuning 类 3D PEFT 方法相比，作者称 MoST 不引入额外推理开销、可兼容任意 3D 表征学习骨干，并可与 Low-rank、Kronecker 等矩阵分解结合以进一步减少参数。矩阵的具体结构、局部几何如何进入参数化过程，以及推理阶段如何实现这些性质，尚需正文核对。 作者报告，在多个骨干与基准上进行了实验，其中 ScanObjectNN（PB_50_RS）的分类 Accuracy 为 97.5%，ModelNet40 分类 Accuracy 为 96.2%，并称达到相应基准的最先进结果。摘要未交代这些数值对应的具体骨干、训练与测试划分、预训练条件、参数预算和对照配置，因此不能据此判断不同设置下的收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，将传感器空间邻近结构用于约束微调权重，可能为 EEG 小数据适配提供参数效率收益。原方法依赖点云局部几何及预训练骨干；迁移时可考虑复用结构化更新思路，但需按电极布局及 EEG 时空特征重构矩阵映射，不能直接把点云分类效果视为 BCI 证据。低信噪比、跨被试差异及通道缺失可能削弱空间邻近假设，小参数量也不保证小样本泛化。一个可证伪的小实验是在固定 EEG 骨干与严格隔离的跨被试划分下，以匹配可训练参数预算比较该结构化更新、Low-rank 更新和全量微调，同时检查分类指标与推理开销。已有 EEG 相关工作尚未检索确认。