BCI 科研雷达

基于摘要分析。本文研究神经网络训练中的动态特征变换（rich regime）与预测性能为何不能相互替代，并提出一种计算高效、独立于预测性能的动态丰富性指标，以便单独分析训练动态与表征学习的关系。 核心机制是利用 rich dynamics 的低秩偏置构建度量；摘要称，该框架将 neural collapse 纳入为特例。作者还提出基于特征分解的可视化，用于解释训练因素、动态与表征之间的联系。这里的“丰富性”指训练中动态特征变换的性质，不等同于更高的 Accuracy 或更好的下游表征。 作者报告，该指标在所考察实验中比既有替代指标更稳定，并可在不依赖准确率的情况下捕捉已知的 lazy-to-rich 转变，例如 grokking。作者进一步用它分析学习率等训练因素与丰富性的关系，并报告 batch normalization 促进 rich dynamics 的观察。摘要未提供具体指标公式、计算复杂度、模型、数据集、比较对象或稳定性的量化结果；实验协议、消融及统计信息尚未验证，因此暂不能判断这些结论的适用范围。 平台推测（待验证）：假设该指标可用于 EEG 表征模型，它可能帮助区分“特征发生显著变化”与“解码性能改善”，但原研究并未在所给材料中报告 BCI 验证。可复用部分是低秩诊断与特征分解可视化，需先确认其对特征矩阵、样本规模及监督信号的要求，并适配 EEG 的时序与通道结构。低信噪比、小样本及跨被试分布差异可能使低秩现象反映噪声或被试特征，而非有效表征。一个可检验的小实验是在固定 EEG 数据划分及模型下改变学习率，同时记录丰富性指标与独立测试集解码性能，检查二者是否出现可重复的分离；相关已有 EEG 工作尚未检索确认。

作者：

Yoonsoo Nam; Nayara Fonseca; Seok Hyeong Lee; Chris Mingard; Niclas Alexander Göring; Ouns El Harzli; Abdurrahman Hadi Erturk; Soufiane Hayou; Ard A. Louis

机构：

尚未验证

发表平台：

ICLR 2026 Poster

标识：

7Mbz5uSf2J

学术质量 76 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-04-11 · 已接收

基于摘要分析。该研究面向 LLM 推理中模型质量与计算、内存效率的权衡，提出 Mamba-3，以状态空间模型（SSM）原理改进线性序列模型的表达能力、状态跟踪与实际推理效率；主要研究对象是语言序列建模，而非 EEG 或 BCI。 方法包括三项核心改进：由 SSM 离散化导出的更具表达力的递推机制、支持更丰富状态跟踪的复数状态更新规则，以及多输入多输出（MIMO）形式。作者称，MIMO 能改善模型表现而不增加解码延迟，并结合其他架构调整提升检索、状态跟踪及下游语言建模能力。摘要未提供具体离散化公式、复数状态实现、训练目标或架构细节，尚不能据此确定各模块的独立贡献。 作者报告，在 1.5B 模型规模的下游任务评估中，Mamba-3 的平均 Accuracy 比次优模型 Gated DeltaNet 高 0.6 个百分点；MIMO 变体进一步提高 1.2 个百分点，合计提高 1.8 个百分点。在状态大小对比实验中，作者报告 Mamba-3 使用 Mamba-2 一半的状态大小即可获得相近困惑度。具体任务集合、数据划分、基线训练条件、延迟测试硬件与统计信息尚未验证；困惑度相近也不能直接解释为所有任务能力等价。 平台推测（待验证）：若其递推状态能保留连续信号中的任务相关历史，可能有助于 EEG 长序列或流式解码。可考虑复用递推与状态更新机制，但需将语言输入改造成多通道 EEG 表征，并重新设计监督任务和输出头；MIMO 在原文中的含义不能直接等同于 EEG 多通道输入。低信噪比、通道变化、跨被试分布差异及小数据训练可能使语言任务中的收益无法迁移。一个可检验的小实验是在固定 EEG 数据划分、输入窗口与训练预算下，对比 Mamba-2 和 Mamba-3 的任务指标、流式延迟及状态内存，并分别核对复数更新和 MIMO 的贡献。已有 EEG 相关工作尚未检索确认，复现所需代码、权重与完整实验协议也尚未验证。

作者：

Aakash Lahoti; Kevin Li; Berlin Chen; Caitlin Wang; Aviv Bick; J Zico Kolter; Tri Dao; Albert Gu

机构：

尚未验证

发表平台：

ICLR 2026 Oral

标识：

HwCvaJOiCj

学术质量 80 / 100 · 兴趣权重 3 · 机制对应，EEG/BCI 效果尚未验证

• openreview · 元数据快照 · 2026-04-11 · 已接收

基于摘要分析。本文研究联邦多任务学习（FMTL）中用户任务与模型结构不同、难以共享模型参数的问题，提出对比学习目标 Muscle loss，并据此构建 FedMuscle，通过学习跨任务共享表征空间支持模型与任务异构。原论文主要面向图像和语言任务，并非 EEG/BCI 研究。 核心机制：既有方法通常要求参与用户采用完全或部分同构的模型；本文将协作对象从模型参数转向表征空间。不同于通常进行两两对齐的多视图或多模型对比方法，Muscle loss 同时对齐所有参与模型的表征。作者称，最小化该损失等价于最大化所有模型表征之间的互信息，从而捕捉跨任务依赖。其具体损失形式、等价关系的成立条件、跨客户端样本对应方式及监督需求，摘要未提供，尚需全文核对。 结果与复现：作者报告，FedMuscle 在多种图像和语言任务的异构设置下持续优于所比较的先进基线，并具有通信效率优势。摘要未给出数据集名称、划分协议、基线配置、性能数值或通信开销，因此尚不能量化改进幅度；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验证。 平台推测（待验证）：假设跨客户端能够建立具有一致语义的表征对齐依据，该机制可能对应 EEG 联邦学习中不同设备、通道配置或任务导致的模型异构问题。可复用的是共享表征目标及异构模型协作思路；需改造 EEG 编码器、表征维度接口和任务间对齐规则。低信噪比、跨被试分布差异、小数据及不相关任务可能使强制对齐损害个性化表征。一个可证伪的小实验是在固定跨被试数据划分、客户端数据量和通信预算下，比较本地训练、两两表征对齐与 Muscle loss 的分类性能及通信开销，并核对任务差异增大时是否出现负迁移。已有 EEG 相关工作尚未检索确认，此建议不代表已证实的 BCI 效果。

作者：

Mehdi Setayesh; Mahdi Beitollahi; Yasser H. Khalil; Hongliang Li

机构：

尚未验证

发表平台：

ICLR 2026 Poster

标识：

nIOIfHHYzk

学术质量 74 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-04-11 · 已接收

基于摘要分析。研究针对开放集识别（OSR）中识别训练类别之外新语义类别的问题，提出以动态温度调度替代固定 logits 温度，使表征学习在实例级特征与类别特异性特征之间逐步转换；其中包括作者提出的 negative cosine schedule。 机制上，作者描述调度在训练初期侧重较少邻居以形成粗略决策边界，随后逐渐关注更多邻居以平滑边界，期望获得更丰富、泛化能力更强的表征。摘要未给出温度函数、取值范围、邻居定义及其与各损失的具体作用关系，这些实现细节尚未验证。与引入正则化或 mix-up 等辅助负样本的路径相比，作者称该调度可并入现有 OSR 损失且不增加计算开销；开销核算范围仍需正文确认。 作者报告，在采用 cross-entropy、contrastive 和 ARPL 损失的多个基线上，新调度在多数情况下同时改善开放集与闭集性能，尤其在更困难的 semantic shift benchmarks 上。摘要未提供数据集、已知类与未知类划分、评价指标或具体数值，因此不能判断提升幅度，也不能比较不同协议下的效果；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务需要拒识训练中未覆盖的语义类别，动态温度可能用于调节表征的局部区分与类内聚合。可复用的是温度调度，需改造的是 EEG 编码器、邻居构造及未知类评估协议；低信噪比、小样本和跨被试差异可能使邻居关系不可靠，并将被试偏移误判为新类别。一个可检验的小实验是在固定 EEG 编码器、损失和类别留出划分下比较固定温度与该调度，分别评估已知类分类和未知类拒识，并核对训练开销。该迁移假设尚无材料内的 EEG 证据，已有 EEG 相关工作尚未检索确认。

作者：

Amit Kumar Kundu; Vaishnavi S Patil; Joseph JaJa

机构：

尚未验证

发表平台：

ICLR 2026 Poster

标识：

vpBKry7kL5

学术质量 73 / 100 · 兴趣权重 3 · 机制对应，EEG/BCI 效果尚未验证

• openreview · 元数据快照 · 2026-04-11 · 已接收

基于摘要分析。MindPilot 研究如何通过可控视觉刺激引导脑活动，而非将神经信号解码为行为或意图；其核心贡献是利用非侵入式 EEG 反馈，闭环优化自然图像生成，以诱发目标神经响应。 机制上，研究将大脑视为黑箱函数，针对主观状态难以量化、EEG 反馈噪声较大且不可微的问题，引入 pseudo-model guidance，迭代细化生成图像。作者称该过程不需要显式奖励或梯度；标题明确涉及 EEG 引导扩散，但摘要未说明伪模型的构建方式、EEG 特征如何进入生成过程，以及扩散模型的训练与推理设置，这些细节尚未验证。 与摘要所述的既有侵入式方案或低层次闪烁刺激相比，MindPilot 的研究对象是非侵入式 EEG 与自然图像构成的闭环。作者声称这是首个以 EEG 为优化反馈指导自然图像生成的闭环框架；该优先性主张尚未独立检索确认。 作者报告，在仿真与人体实验中验证了语义目标的高效检索、EEG 特征的闭环优化，以及 mental matching 和情绪调节任务中的人体应用。摘要未提供被试人数、数据划分、对照基线、定量指标或统计结果，因此这些报告支持的是作者所述的可行性，尚不能据此判断跨被试、跨会话稳定性或临床效用。实验协议、消融及统计信息尚未验证。 复现时需核对目标 EEG 特征的定义与预处理、反馈时延、图像更新规则、刺激呈现流程，以及仿真反馈与真实人体反馈的对应关系。尤其需要区分闭环中 EEG 特征的变化、目标语义匹配表现与情绪调节效果：三者属于不同验证层面，不能相互替代。

作者：

Dongyang Li; Kunpeng Xie; Mingyang Wu; Yiwei Kong; Jiahua Tang; Haoyang Qin; Chen Wei; Quanying Liu

机构：

尚未验证

发表平台：

ICLR 2026 Poster

标识：

7jdmXx869Q

学术质量 74 / 100 · 兴趣权重 3 · 按原研究证据理解，不推断适用范围

• openreview · 元数据快照 · 2026-04-11 · 已接收

基于摘要分析。本文研究声源定位（Sound Source Localization，SSL），针对现有深度学习方法受固定麦克风阵列几何和预定义方向网格限制的问题，提出 audio-geometry-grid representation learning（AGG-RL），在共享潜在空间中联合学习音频—几何表示与网格表示，以支持几何不变、网格灵活的声源定位。这里的 SSL 指声源定位，不是自监督学习。 框架包含两个物理信息组件：learnable non-uniform discrete Fourier transform（LNuDFT）以非均匀方式优化频率点的密集分配，强调信息量较高的相位区域；relative microphone positional encoding（rMPE）编码麦克风相对坐标，使几何表示对应通道间时间差的声学特性。其具体阅读价值在于同时处理传感器布局变化与候选方向网格变化，而非仅在固定阵列上改进定位网络。 作者报告，在合成与真实数据集上，AGG-RL 获得更优性能，尤其是在未见条件下。摘要未提供数据集名称、指标、数值、对照方法或未见条件的具体定义，因此尚不能判断泛化来自阵列变化、网格变化还是其他声学条件。训练目标、表示匹配与推理流程、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可探索的 EEG 对应点是利用电极相对坐标辅助跨通道布局建模，但声学时间差与头部容积传导并不等价，不能直接复用其物理解释。共享表示与位置编码思路可能可借鉴，LNuDFT 的相位选择机制则需重新验证；低信噪比、跨被试差异及小数据可能使几何编码失效或过拟合。一个可证伪的小实验是在固定 EEG 任务与被试划分下，比较有无相对电极坐标编码的方法在训练未见通道子集上的表现。该实验仅检验位置编码思路，不代表已验证 AGG-RL 的 BCI 适用性；已有 EEG 相关工作尚未检索确认。

作者：

Min-Sang Baek; Gyeong-Su Kim; Donghyun Kim; Joon-Hyuk Chang

机构：

尚未验证

发表平台：

ICLR 2026 Poster

标识：

bWXpJFesLS

学术质量 77 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-04-11 · 已接收

基于摘要分析。该研究面向通用时间序列表征学习及多种下游任务适配，提出 General Time-series Model（GTM），以频域注意力捕获时间粒度感知特征，并通过混合掩码预训练统一重建与自回归目标。其主要研究对象是通用时间序列，而非专门的 EEG 或 BCI 数据。 机制方面，摘要将频域注意力、混合掩码、2D 位置编码与片段打乱（span shuffling）列为核心设计；作者认为这些设计可增强表征的鲁棒性与泛化能力。频域注意力如何表示不同时间粒度、重建与自回归目标如何组合，以及位置编码和片段打乱作用于哪些维度，尚未验证。作者将 GTM 称为首个不依赖具体生成任务的时间序列模型，并称其无需任务特定修改即可适配多种生成任务；这一优先性主张及适配边界需结合全文核对。 作者报告，GTM 在所评估的多种生成任务上优于 SOTA 模型，经过少量适配也取得较强分类结果，并随模型规模和预训练数据增加呈现准确率提升。摘要未提供任务名称、数据集、数据划分、基线、具体指标数值或规模范围，因此不能据此判断收益大小及不同协议下的可比性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：频域注意力与时间粒度感知机制可能对应 EEG 中跨频段、跨时间尺度的表征需求，混合掩码预训练则可能用于利用未标注 EEG。可考虑复用预训练目标与注意力思路，但需核对其输入数据结构、监督形式及预训练规模要求，并适配 EEG 的采样率、通道结构与频谱特性。低信噪比、伪迹、跨被试差异及小数据可能削弱收益；片段打乱还可能破坏任务相关时序。一个可检验的小实验是在固定跨被试划分与相同未标注数据条件下，对比完整 GTM 与不含频域注意力的对照，评估下游分类及噪声扰动下的表现。该方案不代表已证实的 BCI 效果，已有 EEG 相关工作尚未检索确认。

作者：

Cheng HE; Xu Huang; Gangwei Jiang; Zhaoyi Li; Defu Lian; Hong Xie; Enhong Chen; xijie liang; Zhengzengrong; Patrick Lee

机构：

尚未验证

发表平台：

ICLR 2026 Poster

标识：

PWM6FERWz9

学术质量 73 / 100 · 兴趣权重 3 · 机制对应，EEG/BCI 效果尚未验证

• openreview · 元数据快照 · 2026-04-11 · 已接收

基于摘要分析。该研究面向生物医学图像中的重复区域篡改检测，提出 BioTamperNet，通过亲和性引导的注意力捕捉图像内相似性和跨图像对应关系，并联合定位篡改区域及其来源区域。主要研究对象是生物医学图像取证，而非 EEG 解码或 BCI 算法。 核心机制方面，框架包含亲和性引导的自注意力模块与交叉注意力模块，分别用于图像内部和不同图像之间的关系建模；同时采用受 State Space Model（SSM）近似启发的轻量线性注意力机制，以支持高效、细粒度的定位。摘要说明模型采用端到端训练，但亲和性的计算方式、SSM 近似的具体形式、损失函数、监督标注及输入图像配对方式尚未验证，不能仅凭标题将其认定为标准 SSM 架构。 作者指出，主要在自然图像上训练的既有取证模型，在生物医学图像的细微篡改场景中往往表现不佳。作者报告，在生物医学图像取证基准数据集上的实验中，BioTamperNet 相较有竞争力的基线提高了重复区域检测表现；摘要未提供数据集名称、划分、基线名称、指标或具体数值，因此提升幅度及适用条件尚未验证。实验协议、消融及统计信息亦尚未验证。 复现时需要核对图像内重复与跨图像重复的任务设置、篡改及来源区域的标注方式，以及定位精度和计算效率的评估依据。摘要承诺将公开全部源代码和数据集，但当前材料不能确认已公开。该工作与科研图像完整性直接相关；材料未提供其机制对应 EEG 或 BCI 瓶颈的具体依据，因此不据此提出迁移效果或复现实验建议。

作者：

Soumyaroop Nandi; Prem Natarajan

机构：

尚未验证

发表平台：

ICLR 2026 Poster

标识：

TB0Pdvxpm8

学术质量 70 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-04-11 · 已接收

基于摘要分析。该研究针对时间序列异常检测中大型模型计算与内存开销较高的问题，提出轻量方法 PaAno：学习短时片段的向量表征，并通过与训练序列中的正常片段比较，为各时间点计算异常分数。 核心机制：PaAno 从训练时间序列提取短时片段，使用 1D 卷积神经网络生成嵌入，以 triplet loss 和 pretext loss 联合训练，使表征捕捉片段中的时间模式。推理时，将各时间点周围片段的嵌入与训练数据中的正常片段嵌入比较。摘要未说明 pretext 任务、三元组构造、比较距离、正常片段筛选及分数聚合方式，这些细节尚未验证。 结果与证据边界：作者报告，在 TSB-AD benchmark 的单变量和多变量时间序列异常检测中，PaAno 在多种范围级与点级指标上达到最先进性能，并显著优于包括重型架构在内的已有方法。摘要未给出具体指标名称、分数、数据划分、基线配置或统计检验信息，因此不能量化优势；轻量、快速和高效的主张仍需核对运行时间、内存占用及硬件条件。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 异常或伪迹能表现为局部时间模式偏离，该片段编码与正常参照比较机制可能用于 EEG 异常筛查，但不等同于已验证的 BCI 解码效果。可复用片段编码和参照比较框架；需适配多通道空间关系、采样率及被试差异，并确认训练数据中正常片段的来源。低信噪比、正常状态变化、通道配置差异及小数据条件可能使距离分数混淆生理变化与异常。一个可检验的小实验是在具有异常标注的 EEG 数据上，固定片段划分，以独立记录进行测试，对照简单距离方法，分别核对点级检测表现与推理开销；若跨被试测试，应单独报告。已有 EEG 相关工作尚未检索确认。

作者：

Jinju Park; Seokho Kang

机构：

尚未验证

发表平台：

ICLR 2026 Poster

标识：

NXThkM7Iym

学术质量 72 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-05-14 · 已接收

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。

作者：

Liuyin Yang; Qiang Sun; Ang Li; Marc M. Van Hulle

机构：

尚未验证

发表平台：

ICLR 2026 Poster

标识：

5Xwm8e6vbh

学术质量 77 / 100 · 兴趣权重 2 · 按原研究证据理解，不推断适用范围

• openreview · 元数据快照 · 2026-04-11 · 已接收

基于摘要分析。研究面向临床 EEG 解读费时、具有主观性，以及现有计算模型多局限于狭窄分类任务的问题，提出用于细粒度解释的指令微调大型视觉语言模型 CerebraGloss。其主要贡献是自动生成 EEG 图像—文本指令数据，并将波形描述与多轮、上下文感知对话纳入统一的生成式分析框架。 技术路径：作者构建自动数据生成流程，使用定制的 YOLO 波形检测器，程序化生成大规模 EEG—文本指令语料，再据此进行模型指令微调。该路径旨在缓解 EEG 可视化与专家级细粒度标注配对数据稀缺的瓶颈；但基础模型、图像表示、文本生成及质量控制流程、训练损失和语料规模在摘要中未明确，尚未验证。作者将统一生成式 EEG 分析能力称为同类首次，这一优先性主张尚未独立核实。 评估与结果：作者构建并发布开放式 EEG 解读基准 CerebraGloss-Bench。作者报告，在该基准上优于包括 GPT-5 在内的领先大型视觉语言模型，并在 TUSZ seizure detection 任务上达到新的最佳水平。摘要未提供具体指标、分数、数据划分、被试内或跨被试设置及基线配置，因此不能量化提升幅度，也不能直接比较两类任务的表现。 验证与复现：作者声明模型、基准与工具已公开，可作为复现入口，但尚未核验其完整性。需进一步核对自动生成标注与专家判断的一致性、开放式回答的评价标准、训练与测试数据隔离，以及不同设备、通道配置和临床场景下的稳定性。实验协议、消融及统计信息尚未验证；现有摘要结果不等同于临床有效性或安全性验证，也不构成 BCI 在线解码性能的证据。

作者：

Wei Gu; Luo Tianming; Qiran Zhang; Mohan Ye; Xiao Shen; Wenxin Chen; Yunhuan Li; Yichen Zhang; Jing Hong; Bao-liang Lu; Wei-Long Zheng

机构：

尚未验证

发表平台：

ICLR 2026 Poster

标识：

Xi1jkajWi9

学术质量 74 / 100 · 兴趣权重 3 · 按原研究证据理解，不推断适用范围

• openreview · 元数据快照 · 2026-04-11 · 已接收

基于摘要分析。本文研究扩散模型在拟合训练目标时为何可能记忆训练数据，以及记忆化与泛化在内部表征上的区别。作者以两层 ReLU 去噪自编码器（DAE）开展理论分析，并据此提出基于表征的记忆化检测方法和无需训练的表征引导编辑技术。 核心机制：作者报告，其理论分析表明，记忆化对应于模型在编码和解码权重中存储原始训练数据，形成局部化、尖峰状表征；泛化则对应于模型捕获局部数据统计，形成平衡表征。这里的两层 DAE 是理论研究对象，不能据此将结论无条件推广到所有扩散模型；“平衡”的数学定义、证明假设及其与训练目标的关系尚未验证。 验证与应用：作者报告，在真实场景的无条件扩散模型和 text-to-image 扩散模型中观察到类似表征结构，并利用这些认识开展记忆化检测及表征引导的精确编辑。摘要未提供具体模型、数据集、训练规模、检测指标、编辑评估或对照结果，因此尚不能判断检测效果、误报风险及编辑对生成质量的影响。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但实现内容与复现条件尚未核对。 平台推测（待验证）：若 EEG 生成模型也表现出可区分的记忆化与泛化表征结构，该方法可能用于辅助检查生成样本是否过度依赖训练数据，而非直接改进 BCI 解码。可复用的是表征诊断思路，需改造的是 EEG 时序表征提取方式以及平衡性和训练样本相似性的度量。低信噪比、被试差异、通道配置变化和小样本训练可能使真实局部统计与记忆化难以区分。一个可检验的小实验是在固定通道配置、按被试划分训练集与独立测试集的 EEG 生成任务中，对比不同拟合程度模型的表征指标与训练样本近邻相似性，检查表征指标能否区分复现训练样本与生成独立样本；这只是迁移假设，相关 EEG 工作尚未检索确认。

作者：

Zekai Zhang; Xiao Li; Xiang Li; Lianghe Shi; Meng Wu; Molei Tao; Qing Qu

机构：

尚未验证

发表平台：

ICLR 2026 Poster

标识：

57THeGgNAN

学术质量 80 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-04-11 · 已接收

基于摘要分析。该研究针对长时空序列中空间相关性与时间依赖的联合建模，提出 ConvT3（ConvSSM using Tridiagonal Toeplitz Tensors），通过结构化状态核等价实现具有 3×3 状态卷积核的 ConvSSMs，并利用张量对角化支持高效并行训练。 核心机制：摘要指出，既有 ConvSSMs 实现受计算可行性限制，采用 1×1 状态核，限制了空间建模能力。ConvT3 将状态核对应的张量组织为隐藏状态维度上的结构化 SSM 矩阵，以及空间维度上的受约束三对角 Toeplitz 张量。作者说明该结构化张量可被对角化，使模型在使用 3×3 状态卷积时仍能并行训练。具体参数化、约束形式、边界处理、训练损失及计算复杂度尚未验证。 结果与证据边界：作者报告，ConvT3 在长程视频生成与物理系统建模任务的大多数指标上达到最先进性能。摘要未提供数据集、数据划分、对照模型、指标名称或具体数值，因此无法核对性能提升幅度及计算收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 可被组织为有意义的空间网格序列，该机制可能用于联合建模电极邻域关系与长时依赖。可复用部分是结构化状态核及对角化计算思路；需改造部分是电极拓扑表示、空间边界与输入映射。其空间卷积依赖规则邻域，而 EEG 的不规则电极布局、低信噪比、跨被试差异、通道变化及小数据条件可能削弱收益。一个可检验的小实验是在固定 EEG 任务与数据划分下，控制训练预算和模型容量，对比 1×1 与结构化 3×3 状态核，同时记录任务指标、显存和训练时间，并通过打乱电极空间排列检验收益是否依赖真实拓扑。相关 EEG 工作尚未检索确认。

作者：

Jaeyoung Hong; Yun Young Choi; Joohwan Ko; Minseon Gwak

机构：

尚未验证

发表平台：

ICLR 2026 Poster

标识：

w7csRoB5CO

学术质量 78 / 100 · 兴趣权重 3 · 机制对应，EEG/BCI 效果尚未验证

• openreview · 元数据快照 · 2026-04-11 · 已接收

基于摘要分析。该研究针对不同类型组合优化（CO）问题缺乏统一表征学习方法的问题，提出 ConRep4CO：将不同原始形式的实例转换为 Boolean satisfiability（SAT）形式，通过原始实例与对应 SAT 实例之间的对比学习建立表征联系，探索统一的 CO 预训练范式。 核心机制是利用问题归约构造跨表达形式的监督：同一实例的原始形式及其对应 SAT 形式组成正样本对，其他不对应的实例作为负样本。作者以 NP-complete（NPC）问题之间可相互归约为动机，并覆盖与 NP-hard 优化版本相关的图决策问题（GDPs）。摘要未给出编码器结构、具体对比损失、SAT 编码方式或训练规模；因此，统一表示如何处理不同问题结构、归约后的规模膨胀及计算开销，仍需全文核对。 作者报告，在七类 GDPs（其中多数为 NPC）的实验中，ConRep4CO 改善了表征质量及对问题规模的泛化能力，但摘要未提供相应指标与具体划分。对于 GDPs 的 NP-hard 优化版本 MVC、MIS、MC 和 MDS，作者报告，相对各问题专用基线，目标值差距的改善分别为 61.27%、32.20%、36.46% 和 45.29%。这些百分比对应 objective value gaps 的改善，不能解读为 Accuracy 增幅或目标值本身的同等提升；差距定义、聚合方式、实例分布、基线配置、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可借鉴的是“利用语义对应的不同表达构造正样本”的表征学习思路，而非直接将 SAT 归约用于 EEG。其原机制依赖明确的实例对应关系与可构造的离散问题表达；EEG 的连续、低信噪比信号缺少自然的等价 SAT 表达，跨被试和通道差异也可能使配对关系失真。现有材料不足以建立直接迁移路径，不据此推断 BCI 效果；相关 EEG 工作尚未检索确认。复现首先需要核对实例生成与划分、归约实现、预训练及下游训练配置，以及目标值差距的计算口径；代码可用性尚未验证。

作者：

Ziao Guo; Yang Li; Shiyue Wang; Junchi Yan

机构：

尚未验证

发表平台：

ICLR 2026 Poster

标识：

OXRnvOOiAf

学术质量 75 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-04-11 · 已接收

基于摘要分析。本文研究视网膜图像中 MAE 对低频内容的偏好及其对诊断相关高频结构编码不足的问题，提出 Frequency-Balanced Retinal Masked Autoencoder（RetMAE），在重建目标中加入互信息正则项，以学习频率更均衡的视网膜表征。 作者从空间频率视角分析 MAE，认为其重建目标会放大 ViT 在空间异质性视网膜图像中的低通倾向；由于部分视网膜病理表现为高频细节，这种偏置可能限制诊断性能。RetMAE 在 MAE 的互信息框架下抑制低频冗余、突出具有临床意义的高频信息，且不改变模型架构。此处互信息缩写 MI 不指运动想象。摘要未提供正则项的数学形式、频率分解方式或训练细节，尚不能确认其具体实现与计算开销。 作者报告，在所述视网膜任务的定量与定性评估中，RetMAE 的表征优于基于 MAE 的视网膜编码器；摘要未给出数据集、样本量、数据划分、对照配置或具体指标，因此无法判断收益幅度及泛化范围。实验协议、消融及统计信息尚未验证，复现还需核对频率分析方法、正则项权重和下游评估设置。 平台推测（待验证）：若 EEG 掩码建模也存在偏向高能量、缓慢变化成分而忽略任务相关细节的问题，可考察频率均衡正则化是否有帮助；但这是迁移假设，图像空间高频不等同于 EEG 时间高频。原方法依赖视网膜图像的空间结构与重建监督，其效果是否依赖训练规模尚未验证。可考虑复用正则化思路，但需重新定义 EEG 的时间或时空频率表征；高频肌电噪声、低信噪比、跨被试频谱差异及通道配置变化均可能使该策略失效，小数据也可能增加正则项估计的不稳定性。一个小规模检验是，在固定 EEG 数据划分、骨干和训练预算下，对比原始 MAE 与加入频率均衡正则项的版本，同时检查任务指标和噪声敏感性。相关 EEG 工作尚未检索确认。

作者：

Seunghoon Lee; Seongjae Kang; Inhyuk Park; Gitaek Kwon; Jihyeon Baek; Doohyun Park

机构：

尚未验证

发表平台：

ICLR 2026 Poster

标识：

K5tcKEQaUr

学术质量 73 / 100 · 兴趣权重 3 · 机制对应，EEG/BCI 效果尚未验证

• openreview · 元数据快照 · 2026-05-07 · 已接收

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。

作者：

Seok-Hwan Oh; Myeong-Gee Kim; Guil Jung; hyeonjik lee; Young-Min Kim; Sang-yun Kim; Hyuksool Kwon; Hyeonmin Bae

机构：

尚未验证

发表平台：

ICLR 2026 Poster

标识：

5ThIWuDkEf

学术质量 69 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-04-11 · 已接收

基于摘要分析。该研究针对 Deep Q-learning 中表征与价值估计相互依赖、随非平稳目标共同变化而产生的训练不稳定问题，提出 Stackelberg Coupled Representation and Reinforcement Learning（SCORER）。其核心贡献是把表征学习与 Q-learning 建模为层级博弈中的两个参与者，通过非对称更新实现稳定的协同适应。 机制上，Q-function 作为领导者，以较低频率更新并承诺其策略；感知网络（编码器）作为跟随者，更频繁地调整表征，在领导者策略固定时降低 Bellman 误差的方差。摘要将两者的目标分别描述为最小化均方 Bellman 误差（MSBE）及其方差，并认为方差降低可减少价值估计偏差。该框架形成双层优化问题，以双时间尺度算法近似求解，有别于整体式网络中的同步参数更新。具体方差估计方式、梯度计算、更新频率及偏差降低所需条件尚未验证。 作者报告，在 DQN 及其变体上的实验表明，收益来自算法机制而非模型复杂度；摘要未提供任务、数据规模、对照配置或具体指标，因此无法判断收益幅度与适用范围。实验协议、消融及统计信息尚未验证，复现还需核对网络配置、优化目标实现和双时间尺度调度。 平台推测（待验证）：若 EEG/BCI 问题被明确建模为序贯决策，该机制可能用于缓解编码器表征变化与自举价值目标相互影响的瓶颈，而不能直接视为 EEG 分类方法。迁移依赖可定义的状态、动作、奖励及离策略数据；可复用双时间尺度更新思路，但需改造 EEG 编码器与任务接口。低信噪比、跨被试或通道差异可能使方差估计不稳，小数据也可能不足以支撑跟随者频繁更新。可在固定被试划分与相同模型容量的 EEG 序贯决策任务中，对照同步更新、仅改变更新频率和完整 SCORER，检验价值误差方差与任务表现是否同步改善。已有 EEG 相关工作尚未检索确认。

作者：

Fernando Martinez; Tao Li; Yingdong Lu; Juntao Chen

机构：

尚未验证

发表平台：

ICLR 2026 Poster

标识：

cFzPNWC9Qb

学术质量 74 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-04-11 · 已接收

基于摘要分析。本文研究无监督视频对象中心学习中，slot-based 架构的编码器与解码器表征不一致问题，提出 Synergistic Representation Learning（SRL），通过双向细化协调编码器的锐利边界与解码器的空间一致性。 作者认为，重建式训练存在恶性循环：编码器注意力图具有锐利的高频细节，但其特征中的噪声迫使解码器对多种可能性取平均，产生更模糊的重建；模糊重建所提供的梯度又缺乏监督编码器所需的高频细节。SRL 利用编码器的锐度改善解码器输出中的模糊语义边界，同时利用解码器的空间一致性对编码器特征去噪。为稳定相互细化过程，方法设置带有 slot 正则化目标的预热阶段，使各 slot 初始分配到不同实体。具体损失形式、细化操作及预热安排尚未验证。 作者报告 SRL 在视频对象中心学习基准上取得 state-of-the-art 结果，但摘要未提供基准名称、数据划分、指标、数值及对照方法，尚不能核对提升幅度或比较公平性。实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但代码可用性、训练配置与复现条件尚未核验。 该方法的主要研究对象是视频场景中的对象分解，而非 EEG 或 BCI。其机制依赖可重建的视频空间结构、对象边界及 slot 实体分配，当前材料未建立这些要素与 EEG 信号结构的具体对应关系，因此不将其结果解读为 BCI 算法效果，也不据此提出直接迁移实验；已有 EEG 相关工作尚未检索确认。

作者：

Hyun Seok Seong; WonJun Moon; Jae-Pil Heo

机构：

尚未验证

发表平台：

ICLR 2026 Poster

标识：

bWoT6Z21rH

学术质量 73 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-04-11 · 已接收

基于摘要分析。该研究针对光谱相机在通道数量与采集波长上的差异导致模型依赖特定相机、难以跨相机泛化的问题，提出 CARL（Camera-Agnostic Representation Learning），旨在为 RGB、多光谱与高光谱图像学习相机无关的表征。 核心机制是结合自注意力与交叉注意力的光谱编码器，将不同通道维度的光谱图像中的重要光谱信息提炼为学习得到的表征；作者还提出适配 CARL 的特征级自监督策略，用于空间—光谱预训练。摘要未提供注意力模块的具体组织、波长信息的编码方式、自监督目标及训练配置，这些实现细节尚未验证。 作者报告，在医学成像、自动驾驶与卫星成像领域的实验中，CARL 对光谱异构具有鲁棒性，并在含模拟及真实跨相机光谱变化的数据集上优于对照方法。摘要未给出数据集名称、划分、基线、指标或数值，因而尚不能判断提升幅度及不同协议下的适用范围；实验协议、消融及统计信息尚未验证。作者将其定位为未来光谱基础模型的潜在骨干，并声明代码与模型权重已公开，具体复现条件仍需核对。 平台推测（待验证）：若 EEG 通道能够通过电极位置等元信息建立可比较的描述，该类注意力聚合机制或可用于处理通道数量与布局变化。可复用的是异构通道的信息聚合思路，需改造的是通道描述、时间动态建模及自监督目标；光谱波长与 EEG 电极并不等价，低信噪比、跨被试差异和小数据训练可能使迁移失败。一个可检验的小实验是在固定被试划分与相同训练数据下，比较改造后的编码器和固定通道基线在电极子集变化时的性能下降，并控制模型容量。该假设不代表已证实的 EEG 效果，相关 EEG 工作尚未检索确认。

作者：

Alexander Baumann; Leonardo Ayala; Silvia Seidlitz; Jan Sellner; Alexander Studier-Fischer; Berkin Özdemir; Lena Maier-hein; Slobodan Ilic

机构：

尚未验证

发表平台：

ICLR 2026 Poster

标识：

TpbhS1yfz0

学术质量 77 / 100 · 兴趣权重 3 · 机制对应，EEG/BCI 效果尚未验证

• openreview · 元数据快照 · 2026-04-11 · 已接收

基于摘要分析。该研究针对视觉任务中全局上下文建模缺乏严格数学定义，以及注意力计算成本与状态空间模型（SSMs）递归建模限制之间的矛盾，提出全局图像建模的数学定义和频域理论框架，并据此设计 Global-aware SSM（GSSM）与可嵌入 CNN 的 GMamba 模块。 核心机制是基于 Discrete Fourier Transform（DFT）的调制，在 SSM 前端控制其建模行为，以频域视角处理递归机制对全局感知的限制。作者称已形式化证明 GSSM 满足所提出的全局图像建模定义，并报告其计算复杂度为线性对数级。摘要未给出定义的具体条件、调制形式、训练目标及复杂度所对应的输入规模变量，因此尚不能判断该定义与常见全局感受野或全局信息交互的关系。 作者报告，在目标检测、语义分割和实例分割任务、以及多种模型架构中，GMamba 均优于现有全局建模模块；但摘要未列出数据集、划分、对照模块、评价指标或具体增益，不能据此判断优势幅度及不同协议下的可比性。作者提供了代码链接，代码完整性、运行条件、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 DFT 调制的全局建模机制能够适配多通道时间序列，它可能用于探索 EEG 长时程信息交互，但视觉结果不等于 BCI 有效。原方法面向图像结构，其监督方式与所需数据规模尚未明确；迁移时需改造时间与通道布局、频域调制及任务输出模块，并核对是否需要双向或完整片段输入。低信噪比、跨被试频谱差异、通道变化及小数据过拟合均可能使收益失效。可在固定 EEG 数据划分与相同训练预算下，对比基础 SSM、加入 GSSM 的版本及移除 DFT 调制的版本，检验任务指标与计算开销，并分别报告被试内和跨被试结果。相关 EEG 工作尚未检索确认。

作者：

Jie Hui; Zhenxiang Zhang; Wenyu Mi; Jianji Wang

机构：

尚未验证

发表平台：

ICLR 2026 Poster

标识：

96p1eBUVaN

学术质量 77 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-04-11 · 已接收

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。

作者：

Yuelin Xin; Yuheng Liu; Xiaohui Xie; Xinke Li

机构：

尚未验证

发表平台：

ICLR 2026 Poster

标识：

NvpVtGG6hk

学术质量 68 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-04-11 · 已接收

基于摘要分析。本文研究 EEG 神经群体动力学预测，提出 ODEBrain：先将时空频率特征整合到谱图节点，再通过 Neural ODE 建模连续时间潜在动力学，以缓解离散时间递归建模的预测误差累积，并刻画 EEG 的瞬时非线性变化。 核心机制是将 EEG 的图表示与连续时间潜在状态演化结合。作者认为，传统潜变量方法通过递归架构离散化连续脑动力学，会产生累积预测误差；ODEBrain 则旨在使潜在表示捕获任意时刻复杂脑状态的随机变化。摘要未说明谱图节点与边的构造、时空频率特征提取方式、ODE 向量场、数值求解器、损失函数，以及随机变化如何被建模，这些实现细节尚未验证。 作者报告，在 EEG 动力学预测实验中，ODEBrain 相较现有方法取得显著改善，并增强鲁棒性和泛化能力。但摘要未提供数据集、被试数、预测时长、指标数值、对照方法或被试内、跨被试、跨会话等划分背景，因而不能据此量化收益，也不能将所述泛化能力直接解释为跨被试泛化。实验协议、消融及统计信息尚未验证。 该工作的直接任务是 EEG 动力学预测，而非已验证的 BCI 解码。阅读与复现时应重点核对：连续时间建模相对离散递归基线的贡献是否可与图表示及频率特征的贡献区分；预测误差如何随预测跨度变化；数值求解成本与精度如何权衡。其对运动想象、SSVEP 或其他 BCI 任务的价值仍待独立评估，不能由预测结果直接推出。

作者：

Haohui Jia; Zheng Chen; Lingwei Zhu; Rikuto Kotoge; Jathurshan Pradeepkumar; Yasuko Matsubara; Jimeng Sun; Yasushi Sakurai; Takashi Matsubara

机构：

尚未验证

发表平台：

ICLR 2026 Poster

标识：

9EjZGs8ube

学术质量 66 / 100 · 兴趣权重 3 · 按原研究证据理解，不推断适用范围

• openreview · 元数据快照 · 2026-04-11 · 已接收

基于摘要分析。CodeBrain 针对 EEG 基础模型表征辨别力与临床可解释性不足、全局依赖捕获效率不高以及局部神经事件建模不足的问题，提出两阶段方法，将时间与频率解耦的离散分词器与多尺度 EEGSSM 架构结合。 第一阶段采用 TFDual-Tokenizer，将异质的时间与频率 EEG 信号解耦为离散 token。作者称该设计使表征空间实现二次扩展，以增强辨别能力，并通过提示表征与神经事件、频谱节律之间的潜在联系，提供领域相关的表征级可解释性。摘要未说明 token 的具体构造、码本配置、训练目标及二次扩展的定义；这些潜在联系也不能直接等同于已验证的临床解释。 第二阶段的 EEGSSM 将结构化全局卷积与滑动窗口注意力结合，以同时捕获稀疏长程依赖和局部依赖。作者以大脑小世界拓扑作为该设计的动机，但摘要不足以确认其如何映射到 EEG 通道或时间结构，也不能据此认定模型还原了真实脑网络。 作者报告，CodeBrain 在其所称的最大公开 EEG 语料上预训练，并在分布偏移条件下、覆盖八项下游任务和十个数据集的评估中表现出较强泛化能力；同时报告开展了全面消融、scaling-law 分析和可解释性评估。摘要未给出任务与数据集名称、被试数量、被试内／跨被试／跨会话／跨数据集划分、对照基线或具体指标，因此无法量化增益或比较不同协议的结果。实验协议、消融及统计信息尚未验证。 作者提供了代码与预训练权重链接，为复现提供了入口，但其可访问性与实现细节尚未核验。复现时应重点核对预训练和下游数据的划分关系、通道与采样率适配、分词器和 EEGSSM 各自的贡献，以及可解释性证据是否超出表征与节律的关联展示。

作者：

Jingying Ma; Feng Wu; Qika Lin; Yucheng Xing; Chenyu Liu; Ziyu Jia; Mengling Feng

机构：

尚未验证

发表平台：

ICLR 2026 Poster

标识：

msJgEkjwh5

学术质量 78 / 100 · 兴趣权重 3 · 按原研究证据理解，不推断适用范围

• openreview · 元数据快照 · 2026-05-11 · 已接收

基于摘要分析。本文研究如何将传统信号处理中的领域先验纳入 EEG 基础模型预训练，以补充原始信号重建或稀缺监督标签提供的学习信号。作者提出 Neuro-KE（Neuro-Knowledge Engine），一个即插即用的无标签知识整合框架，将多类信号特征汇集为统一知识库。 机制上，Neuro-KE 整合四类知识：Time Domain、Frequency Power、Frequency Structure 和 Frequency Ratios，即时域、频率功率、频率结构及频率比值特征。其核心思路是把既有信号分析经验转化为预训练可利用的知识，而非仅依赖原始波形重建。摘要未说明具体特征定义、知识编码方式、融合位置、损失函数，以及知识如何与模型表示对齐；“无标签”也不应被扩展解读为所有下游评估均无需标签。 作者报告，该框架可用于 Masked Modeling（掩码建模）、Contrastive Learning（对比学习）和 EEG–Large Language Models 三种技术范式，并在实验中提升模型泛化与鲁棒性，尤其有益于少标签下游任务。摘要未提供数据集、被试规模、任务类型、数据划分、对照基线或定量指标，因此尚不能判断增益对应被试内、跨被试、跨会话还是跨数据集协议，也不能据此确认其在具体 BCI 任务中的效果。 复现时应重点核对四类特征的计算与归一化方法、不同采样率及通道配置下的适配方式，以及各知识类别和预训练范式的贡献。作者所述“领域不变信号动态”是否在不同采集条件下成立，也需结合评估协议判断。实验协议、消融及统计信息尚未验证；代码、预训练权重和计算成本在所给材料中亦未明确。

作者：

Hanrui Chen; Haotian Deng; Xiang Chen; Kexin Lou; Shinan Wang; Chen Wei; Quanying Liu

机构：

尚未验证

发表平台：

Submitted to ICML 2026

标识：

y7vaftM0NX

学术质量 71 / 100 · 兴趣权重 3 · 按原研究证据理解，不推断适用范围

• openreview · 元数据快照 · 2026-09-22 · 预印本

基于摘要分析。本文针对 EEG 情绪识别中的跨被试差异、标注数据有限及推理可解释性不足，提出 E²-LLM（EEG-to-Emotion Large Language Model），将预训练 EEG 编码器与基于 Qwen 的大语言模型连接，用于情绪预测与情感推理。作者将其定位为首个面向 EEG 可解释情感分析的多模态大语言模型框架，但这一首创性声明尚未检索确认。 方法上，E²-LLM 通过可学习投影层连接 EEG 编码器与语言模型，训练分为情绪判别预训练、跨模态对齐以及包含思维链推理的指令微调。摘要未说明 EEG 时空信息如何编码、投影层结构、各阶段损失、参数更新范围，以及推理指令与解释监督的来源；这些细节决定模型如何利用神经信号，而不只是依赖语言先验，需结合全文核对。 评估覆盖基础情绪预测、多任务推理和零样本场景理解。作者报告，在涵盖七类情绪的数据集实验中，模型取得较好的情绪分类表现，较大规模变体具有更高可靠性，并在复杂推理场景中表现出更好的零样本泛化。摘要未提供数据集名称、被试数、数据划分、被试内或跨被试协议、对照基线及具体指标，因此无法量化提升，也不能据此确认跨被试泛化问题已得到解决。 阅读时应区分生成可读推理文本与解释忠实于 EEG 证据：思维链输出本身不足以验证后者。需核对解释评价标准、零样本场景定义及其与训练数据的关系，以及不同模型规模比较的训练条件。实验协议、消融及统计信息尚未验证；代码、权重、数据与指令构造流程的可获得性亦尚未验证。该研究直接面向 EEG 情绪分析，但摘要未提供在线 BCI 使用或闭环验证证据。

作者：

未提供/匿名

机构：

尚未验证

发表平台：

ACL ARR 2026 January Submission

标识：

xjudN038Ht

学术质量 63 / 100 · 兴趣权重 3 · 按原研究证据理解，不推断适用范围

• openreview · 元数据快照 · 2026-06-07 · 预印本