MoST：用于 3D 表征学习的高效 Monarch 稀疏微调

基于摘要分析。该研究针对 3D 点云表征学习的参数高效微调，提出 Monarch Sparse Tuning（MoST），通过结构化稀疏矩阵重参数化稠密权重更新，以减少可训练参数并保留局部几何特征表达能力。 核心机制是面向不规则点云设计的 Point Monarch 矩阵族。作者将稠密更新权重矩阵表示为稀疏 Point Monarch 矩阵，区别于依赖额外 adapter 或 prompt 的 3D PEFT 方法。作者称该方案兼容多种 3D 表征学习骨干网络，不引入额外推理开销，并可与 Low-rank、Kronecker 等矩阵分解结合以进一步减少参数。摘要未提供矩阵具体构造、稀疏模式、训练配置或参数节省比例，相关实现条件尚未验证。 作者报告，在 ScanObjectNN 的 PB_50_RS 设置下分类 Accuracy 为 97.5%，在 ModelNet40 分类任务上为 96.2%，并称在多个基准上达到当时最优结果。摘要未说明这些结果对应的具体骨干网络、数据划分、预训练来源和对照配置，两项不同基准的数值不能直接比较；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 Point Monarch 的结构化更新能够从点云几何邻域改造为 EEG 通道空间邻域，它可能成为预训练 EEG 模型参数高效适配的一种候选路径，但这是假设而非论文结果。可复用部分是稀疏更新重参数化思路，需改造的是通道拓扑与权重结构的对应关系；原方法依赖的点云局部几何结构不等同于 EEG 的时空依赖。低信噪比、跨被试差异、通道配置变化及小数据训练均可能使这种约束失效。一个可证伪的小实验是在固定 EEG 骨干和跨被试划分下，以匹配的可训练参数预算比较改造后的结构化更新与 Low-rank 微调，并核对通道扰动下的性能和推理开销。相关 EEG 工作尚未检索确认。