BCI 科研雷达

基于摘要分析。该研究面向图结构数据的表征学习，将离散扩散模型置于自编码器框架中，以同时实现图数据自编码与嵌入学习；其关键设计是结合编码器输出和解码器首个时间步的隐藏嵌入来提取表征。 技术机制：论文以图结构的离散性为出发点，采用离散扩散过程，而非直接沿用图像等领域的连续扩散方法。研究关注的不只是生成图样本，还包括利用生成学习过程获得有意义的图表示。摘要明确了表征的两个来源，但未说明二者的融合方式、离散扰动对象、损失函数、训练监督及推理步骤，这些细节尚未验证。 证据边界：作者报告该方法展示了离散扩散模型用于图表征学习的潜力，但摘要未提供数据集、任务、划分、对照方法或定量指标，因此无法判断相对其他图表示方法的性能收益。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）：若 EEG 被构造成以通道为节点、连接关系为边的图，该机制可能用于学习连接结构的表征，但原论文并未验证 EEG 或 BCI 效果。可考虑复用自编码器框架及双来源表征提取思路；需要改造 EEG 图构建、边权离散化与节点特征处理，并核对模型所需监督及数据规模。低信噪比可能使连接图不稳定，跨被试差异、通道不一致及小数据训练也可能削弱收益。一个可检验的小实验是假设固定 EEG 图构建与跨被试划分，比较仅用编码器输出和结合解码器隐藏嵌入的表征，在相同下游分类器下检验后者是否稳定改善表现。相关 EEG 工作尚未检索确认。

作者：

Daniel Wesego

机构：

尚未验证

发表平台：

NPGML Poster

标识：

ZbSlY7Tc3R

学术质量 61 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2025-10-21 · 已接收

基于摘要分析。本文研究真实时空系统中的预测与动力学状态轨迹解释问题，提出 ReGraSS：将时空数据表示为动态图，学习描述动力学随时间变化的离散潜在状态，并利用这些状态进行预测。其主要贡献是把状态推断、状态专门化预测与不确定性表达整合进统一框架，而非直接研究 EEG 或 BCI。 机制上，ReGraSS 结合变分训练与严格按时间顺序进行的状态空间推断；预测由 mixture-of-experts 产生，并由推断出的状态概率调制，以支持不同专家针对不同动力学状态形成专门化。模型采用自监督单步预测训练，面向标签稀缺场景。摘要称，离散状态的概率分布可提供经校准的不确定性，但具体分布、目标函数、图构建方式及校准评估尚未验证。 作者报告，在单步时空预测任务中，ReGraSS 达到或超过先进基线，并在状态切换时呈现最小的误差突增及最快的后续恢复。摘要未提供数据集、划分、基线名称、指标与数值，因此无法判断这些优势的幅度及适用范围；状态语义是否稳定、轨迹是否具有独立验证依据，以及实验协议、消融及统计信息尚未验证。作者提出医疗、金融和流行病学应用前景，但摘要未提供相应应用验证。 平台推测（待验证）：若 EEG 可通过预先固定的规则表示为通道动态图，该机制可能用于检验非平稳信号中的动力学切换，而不能直接把潜在状态等同于运动想象类别或认知状态。可复用部分是时序状态推断与状态调制专家；需改造图表示、预测目标及信号尺度。低信噪比、跨被试差异、通道变化和小数据可能使状态主要反映伪迹或个体特征。一个可证伪的小实验是固定 EEG 图构建与按时间划分的协议，对比完整模型与不含状态调制的预测器，检查状态切换附近的单步预测误差及恢复表现；预测改善本身不证明 BCI 解码有效。已有 EEG 相关工作尚未检索确认。

作者：

Jeremy Baffou; Adrien Depeursinge; Dorina Thanou

机构：

尚未验证

发表平台：

NPGML Poster

标识：

IsnRPVWGZ5

学术质量 71 / 100 · 兴趣权重 3 · 机制对应，EEG/BCI 效果尚未验证

• openreview · 元数据快照 · 2025-10-21 · 已接收

基于摘要分析。研究针对 EEG 与音频在采样率、通道结构和尺度上的差异，探索如何将预训练神经音频编解码器用于 EEG 压缩。核心贡献是通过输入预处理复用 DAC 的音频预训练编码器—解码器，并提出多通道扩展 DAC-MC，以建模电极间的空间依赖。 机制上，作者将原始 EEG 映射到适配 DAC 输入约束的、基于步幅的分帧结构。作者报告，在不修改基础编解码器的情况下，该设置即可获得稳定的 EEG 重建；在 EEG 数据上微调，相比从头训练进一步改善重建保真度与泛化。摘要未说明具体预处理、尺度处理、采样率适配及微调范围，这些实现条件尚未验证。 压缩设计方面，研究通过改变残差码本深度、码本词表大小和输入采样率，考察压缩与重建质量的权衡。DAC-MC 引入基于注意力的跨通道聚合和通道专属解码，同时保留音频预训练初始化。摘要未提供具体损失形式、模型规模、码率或各设计变量的定量影响。 评估使用 TUH Abnormal 和 Epilepsy 数据集。作者报告，适配后的编解码器能够保留临床相关信息，依据是基于频谱图的重建损失及下游分类 Accuracy；但摘要没有提供数值、任务细节、被试划分或被试内、跨被试、跨数据集等评估协议，因此不能据此判断临床可用性或 BCI 任务效果。 复现时需核对输入分帧与多通道组织方式、预训练权重配置、训练与测试划分、压缩率计算口径，以及下游分类使用重建信号的具体流程。实验协议、消融及统计信息尚未验证；尤其需要确认重建质量提升是否同时对应稳定的任务信息保留。

作者：

Ard Kastrati; Luca A Lanzendörfer; Riccardo Rigoni; John Staib Matilla; Roger Wattenhofer

机构：

尚未验证

发表平台：

NeurIPS 2025 Workshop BrainBodyFM

标识：

i4Vf28vvhQ

学术质量 73 / 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 · 2025-11-24 · 状态未知

基于摘要分析。该研究针对 EEG-to-text 中的高维噪声、被试差异及自回归解码误差累积，提出 DELTA，将 Residual Vector Quantization（RVQ）EEG tokenizer 与掩码语言扩散模型 LLaDA 结合，以离散 EEG 表征和非顺序去噪重建文本。 机制上，RVQ 将连续 EEG 转换为多层离散 token；作者将其作用解释为降低噪声与个体差异。LLaDA 则通过非顺序去噪生成句子，区别于逐 token 的自回归解码。摘要未说明 EEG token 如何接入语言模型、两部分如何训练、掩码与去噪调度，以及是否使用预训练权重，因此这些实现细节尚未验证。 作者报告，在 ZuCo 的 word-level 条件下，DELTA 获得 BLEU-1 21.9、ROUGE-1 F 17.2；相对自回归基线，语义对齐最多提升 5.37 个分数点，但摘要未明确该提升对应的指标及具体对照配置，不能将其直接等同于 BLEU-1 或 ROUGE-1 F 的增量。被试内或跨被试协议、训练测试划分、被试数量及基线输入条件尚未验证。 作者据此提出，小规模 EEG-text 数据可支持可靠文本生成，并指向可扩展的多模态 EEG-language 模型；这些结论仍需结合全文的实验范围审视。复现时应重点核对 RVQ 与扩散解码各自的贡献、语言先验与 EEG 信息的贡献区分，以及不同被试和噪声条件下的稳定性。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也尚未验证。

作者：

mingyu jeon; Hyobin Kim

机构：

尚未验证

发表平台：

NeurIPS 2025 Workshop BrainBodyFM

标识：

Hw3wWRyLs4

学术质量 68 / 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 · 2025-11-24 · 状态未知

基于摘要分析。本文研究如何从无标签 EEG 中学习可用于下游解码的表示，提出 PAirwise Relative Shift（PARS）预训练：预测随机采样的 EEG 窗口对之间的相对时间位移，以鼓励编码器学习信号的相对时间组成及长程依赖，降低对昂贵标注的需求。 核心机制是将窗口之间的时间关系作为自监督预测目标，而非重建被掩码的信号内容。作者将其与 masked autoencoders（MAE）等掩码重建策略对照，认为后者主要捕捉局部时间模式，而 PARS 可提供不同的表示学习约束。摘要明确提到使用 PARS 预训练的 transformers，但未提供位移目标的编码方式、窗口采样范围、损失形式、模型结构或训练规模；相对位移预测是否确实依赖长程信息，而非局部可辨识线索，需要结合正文与消融验证。 作者报告，在多种 EEG 解码任务的标签高效与迁移学习设置下，PARS 预训练的 transformers 持续优于现有预训练策略。摘要以睡眠分期和癫痫发作检测说明临床应用背景，但未明确列出实际评估任务、数据集、被试数量、标签比例、对照方法、指标或具体结果，因此不能据此判断提升幅度，也不能确认迁移属于 Cross-subject、Cross-session 还是 Cross-dataset。 复现时需核对窗口配对与位移定义、采样和预处理流程、预训练与下游数据划分、基线训练预算及微调设置，并检查长程依赖相关消融和统计不确定性。实验协议、消融及统计信息尚未验证；摘要所述 EEG 解码收益也不能直接视为在线 BCI 有效性的证据。

作者：

Christopher Michael Sandino; Sayeri Lala; Geeling Chau; Melika Ayoughi; Juri Minxha; Ellen L. Zippi; Ali Moin; Behrooz Mahasseni; Erdrin Azemi; Hanlin Goh

机构：

尚未验证

发表平台：

NeurIPS 2025 Workshop BrainBodyFM

标识：

kk8EUOiILZ

学术质量 73 / 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 · 2025-11-24 · 状态未知

基于摘要分析。本文关注自监督 EEG 基础模型（EEG-FMs）能否支持稳健、可扩展的 EEG 特征提取，以及现有证据是否足以判断其真实应用准备程度。作者对十个早期第一代 EEG-FMs 进行批判性综述，围绕原始输入数据表示、自监督表征学习和评估策略三个维度，综合方法趋势、实证发现与待解决问题。 在方法层面，作者指出，现有 EEG-FMs 的模型架构与自监督方式大量借鉴语言和视觉领域。摘要未列出纳入综述的模型名称，也未展开各模型的输入组织、学习目标、训练数据规模或适用任务，因此不能据此判断具体技术路线的优劣。 在评估层面，作者报告，现有 EEG-FMs 的评估具有异质性且总体受限，难以据此判断模型开箱即用的实际价值。这是综述作者对所纳入工作的综合判断，不等于所有 EEG-FMs 均缺乏实用性，也不能替代在具体任务和数据划分下的验证。摘要未提供性能数值、对照基线或被试内、跨被试、跨会话及跨数据集协议，具体评估结论与证据覆盖范围尚未验证。 作者建议未来采用标准化且贴近真实使用条件的评估，展示实质性的规模扩展效应，并在 EEG-FM 全流程中作出有原则、可信赖的方法选择；同时与领域专家合作发展基准、软件工具、技术方法及临床和科学应用。这些是研究方向建议，而非已证实的性能或临床收益。 阅读全文时宜核对十个模型的纳入标准、文献覆盖范围、不同评估协议的可比性，以及规模扩展效应和可信赖性所对应的具体证据。实验协议、消融及统计信息尚未验证。本文提供的是综述性分析框架，而不是新模型发布或临床验证。

作者：

Gayal Kuruppu; Neeraj Wagh; Yogatheesan Varatharajah

机构：

尚未验证

发表平台：

NeurIPS 2025 Workshop BrainBodyFM

标识：

Iu6qVgtgUD

学术质量 72 / 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 · 2025-11-24 · 状态未知

基于摘要分析。该研究面向未知下游任务的通用表征学习，提出 contrastive Mutual Information Machine（cMIM），通过为 Mutual Information Machine（MIM）加入对比目标，在保留生成能力的同时改善判别表征；另提出 informative embeddings，用于无需额外训练地从编码器—解码器模型中提取更丰富的表征。 机制方面，摘要描述 MIM 通过最大化输入与潜变量之间的互信息并促进潜编码聚类来学习表征，但其判别任务表现不及其他先进方法。cMIM 的对比目标旨在施加全局判别结构。作者称该方法无需正样本数据增强，并且对批量大小具有鲁棒性；摘要未提供损失公式、样本构造方式或批量大小测试范围，不能据此确定其具体实现。informative embeddings 被描述为可用于 MIM 之外的编码器—解码器模型，但提取流程及适用条件尚未验证。 结果方面，作者报告在其分类和回归实验中，cMIM 持续优于 MIM 与 InfoNCE，同时保持相近的重建质量；作者还报告 informative embeddings 能显著改善判别表现。摘要未披露数据集、数据划分、评价指标、数值及对照配置，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若无需正样本数据增强的机制能够适用于 EEG，它可能缓解增强操作破坏任务相关信号的问题；兼顾重建与判别的目标也可能为 EEG 表征学习提供参考。可复用候选包括对比目标及 informative embeddings 提取机制，输入编码器与重建模型则需适配多通道时序数据。低信噪比、跨被试差异、通道配置变化和小数据可能使表征优先保留噪声或被试身份，而非任务信息。待全文机制明确后，可在同一 EEG 数据集的固定跨被试划分下，以相同骨干、训练预算和下游分类协议比较 MIM、cMIM 与 InfoNCE，并单独检验 informative embeddings 的增益及不同批量大小下的稳定性。相关 EEG 工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。

作者：

Micha Livne

机构：

尚未验证

发表平台：

SPIGM @ NeurIPS

标识：

FvNpaqxgdB

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 · 2025-12-23 · 状态未知

基于摘要分析。该研究针对 EEG 非平稳、噪声较强及 EEG-video 数据有限条件下的动态视觉重建问题，提出 EEGVid，利用 EEG 表征驱动视频合成，并通过重建任务探查 EEG 所编码的视觉信息。研究对象是观看动态视觉刺激时的 EEG 与对应视频，而非仅重建静态图像。 方法先学习 EEG 表征，再将其用于带时间条件的 StyleGAN-ADA，把 EEG embeddings 映射到特定帧位置。该设计将 EEG 特征与视频帧的时间定位相联系；摘要未说明表征学习的监督方式、损失函数、时间条件实现及训练流程，这些细节尚未验证。 作者报告，在 SEED、EEG-Video Action 和 SEED-DV 三个数据集上的实验支持具有语义意义的动态视觉重建，但摘要未提供具体指标、分数、对照基线或被试内、跨被试、跨会话划分，因此不能据此判断不同协议下的重建性能及泛化能力。 作者报告，信息探查呈现半球不对称：左半球对视觉内容更具预测性，右半球对情绪内容更具预测性；颞叶是信息最丰富的区域；EEG 时间步 100–300 对动态视觉编码最关键。此处时间步不能直接换算为毫秒，其采样率、对齐基准、区域比较方法与统计信息尚未验证，上述发现应限定于作者使用的数据及实验条件。 作者认为，生成先验贡献精细空间细节，而 EEG 提供与所观看刺激相符的语义和时间引导，因此将视频生成定位为检验 EEG 表征内容的工具，而非独立生成质量基准。复现时需核对 EEG 与视频的对齐、数据划分、生成先验与 EEG 条件贡献的对照，以及信息探查的消融和统计协议；摘要不足以确认这些细节，代码、预处理及完整复现条件也尚未验证。

作者：

Prajwal Singh; Anupam Sharma; Pankaj Pandey; Krishna Miyapuram; Shanmuganathan Raman

机构：

尚未验证

发表平台：

openreview

标识：

UTa3WSohOQ

学术质量 72 / 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 · 2025-11-09 · 状态未知

基于摘要分析。该研究针对阿尔茨海默病（AD）EEG 中振荡减慢、神经驱动减弱，以及常见黑箱分类流程难以统一描述神经活动及其交互随时间演化的问题，提出 BayesENDS，将神经元放电机制引入贝叶斯神经动力系统。其主要研究对象是基于 EEG 的 AD 诊断与潜在动力学解释，而非 BCI 控制任务。 核心机制是引入可微分漏积分发放（dLIF）先验，在不提供放电或交互标注的条件下，直接从 EEG 推断群体事件及交互动力学。该先验编码膜动力学、发放率与不应期约束，以及生理上合理的频率范围。作者报告，这些约束能够改善可辨识性，并在输出 AD 预测的同时生成具有生物学合理性的被试级生物标志物。摘要未说明这些标志物的具体定义、独立生理验证方式，也未给出潜变量结构、损失形式或训练与推理细节，相关信息尚未验证。由 EEG 推断的群体事件不应直接等同于经实测验证的神经元放电。 作者报告，在合成事件序列基准和真实 AD EEG 数据集上，BayesENDS 的表现优于所比较的先进基线方法。但摘要未提供数据集名称、被试数量、指标、数值、基线清单或被试内／跨被试划分，因而目前无法判断优势幅度及泛化范围。实验协议、消融及统计信息尚未验证。 复现时应重点核对 dLIF 先验的参数设定与约束实现、EEG 观测与潜在动力学之间的映射、数据划分，以及诊断性能和生物标志物解释性的评估是否分别获得支持。尤其需要区分生理先验带来的合理性约束与真实生理机制已被验证这两种不同证据层级；摘要中的性能结论本身不足以证明其临床诊断有效性。

作者：

Yicheng Feng; Hairong Chen; Ziyu Jia; Samir Bhatt; Hengguan Huang

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

7w9GUhqSnN

学术质量 73 / 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 · 2026-02-11 · 预印本

基于摘要分析。HEAR 针对 EEG 基础模型难以适配不同设备的电极布局与电极数量这一问题，提出基于坐标的可学习空间嵌入与 spatially-guided transformer，将异构电极映射到统一表征空间并建模电极间的时空依赖。 核心机制是以电极坐标作为空间表征依据，而非仅依赖固定通道配置；统一空间表征随后交由 spatially-guided transformer 处理。其研究价值在于将设备异构性纳入基础模型设计。作者将 HEAR 称为首个明确支持异构 EEG 设备的 EEG 基础模型，该首创性主张尚未独立核实。摘要未提供坐标编码细节、空间引导的具体实现、预训练目标或训练与推理流程。 数据方面，作者报告构建了包含 8,782 小时 EEG 的大规模数据集，覆盖超过 150 种电极布局，电极数量最多达 1,132 个。这些数字描述的是数据集规模与布局覆盖范围，不能据此推断每段记录的通道数、被试数量或各类设备的数据占比。 结果方面，作者报告 HEAR 在支持异构 EEG 设备以及跨认知任务、跨被试泛化方面显著优于现有 EEG 基础模型，但摘要未列出具体任务、对照模型、指标、数值或数据划分，因而暂不能量化优势，也不能判定是否验证了未见布局或跨数据集泛化。 复现与评估应重点核对电极坐标的获取和标准化方式、可变通道输入的处理、训练与测试设备及被试的隔离、不同布局的数据分布，以及空间嵌入和 spatially-guided transformer 的消融。实验协议、消融及统计信息尚未验证；全文、代码、权重和数据开放条件也尚未核实。

作者：

Zhige Chen; Chengxuan Qin; Wenlong You; RUI LIU; Congying Chu; Rui Yang; KC Tan; Jibin Wu

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

eue8OGzkxI

学术质量 77 / 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 · 2026-02-11 · 预印本

基于摘要分析。该研究面向 EEG 与 ECoG 运动想象（MI）分类，提出 Cortical-SSM，通过扩展深度状态空间模型联合捕获时间、空间与频率维度的依赖关系。研究动机是神经信号易受眨眼、吞咽等生理伪迹干扰，以及作者认为现有 Transformer 方法对细粒度依赖的建模仍有局限。 核心机制与创新：摘要明确的贡献是将深度状态空间模型用于时空频依赖建模，但未提供具体状态更新方式、各维度的组织与融合机制、损失函数或训练和推理流程。因此，目前不能判断性能增益主要来自状态空间建模、频率表示还是其他设计，也不能据此认定模型具备经过验证的伪迹鲁棒性。 数据与结果：作者报告在三个基准上验证方法，包括两个大型公开 MI EEG 数据集，摘要称其包含超过 50 名被试，但人数统计范围尚待核对；另一个基准为来自一名肌萎缩侧索硬化症患者的临床 MI ECoG 数据集。作者报告 Cortical-SSM 在三个基准上均优于基线，但摘要未列出数据集名称、具体基线、指标及提升幅度，也未明确属于被试内、跨被试或跨会话评估，不能据此比较不同协议下的效果。 解释与验证边界：作者报告模型的可视化解释能够识别 EEG 与 ECoG 中具有神经生理相关性的区域；解释生成方法、区域相关性的验证依据及稳定性尚未验证。单例患者数据提供了临床信号上的方法验证线索，但不能外推为广泛患者群体的有效性或康复获益。 复现需核对数据划分、预处理与伪迹处理、模型配置、基线匹配、消融及统计信息。摘要提供了项目页面，但代码、权重和数据访问条件尚未验证。

作者：

Shuntaro Suzuki; Shunya Nagashima; Masayuki Hirata; Komei Sugiura

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

RInCbleaY3

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 · 2026-02-11 · 预印本

基于摘要分析。本文研究机器人、语言智能体等共享底层动力学的多任务序列决策问题，尝试统一解释不同无监督强化学习（URL）算法如何通过无奖励预训练获得表征，并用于后续任务的策略学习。核心贡献是将 Goal-conditioned RL（GCRL）、Mutual Information Skill Learning（MISL）与 Successor Feature learning（SF）等框架，解释为在不同假设下对同一难以直接求解的表征学习目标的近似。 机制层面，这些方法共同利用序列数据预测未来结果。作者提出，相关嵌入通过压缩等价状态，使共同目标的优化变得可处理；但摘要未给出“等价状态”的具体定义、目标函数形式或各算法近似成立的条件，因此尚不能判断其统一解释的适用边界。 作者报告，实际 URL 方法所依赖的假设会带来性能—效率权衡，可为特定领域的表征与算法选择提供依据。摘要未提供任务、数据规模、对照基线、性能指标或计算成本，无法据此比较各方法的具体收益；理论推导、实验协议、消融及统计信息尚未验证。 本文主要研究对象是无监督强化学习的序列决策表征，而非 EEG 解码或 BCI。平台推测（待验证）：若 BCI 任务包含动作、反馈和状态转移轨迹，这一视角可能用于审视跨任务策略预训练的假设，但不能直接推广到静态 EEG 分类。迁移需要明确神经观测与决策状态的对应关系，并处理低信噪比、跨被试及跨会话变化是否破坏状态等价性的问题；摘要不足以支持具体 BCI 复现实验方案，已有 EEG 相关工作尚未检索确认。

作者：

Siddhant Agarwal; Caleb Chuck; Harshit Sikchi; Jiaheng Hu; Max Rudolph; Scott Niekum; Peter Stone; Amy Zhang

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

nNmd4pPSck

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 · 2026-02-11 · 预印本

基于摘要分析。研究针对状态空间模型（SSMs）在多模态预训练中利用模态特定特征能力受限的问题，提出 Mixture-of-Mamba，通过 Mamba block 的模态专属参数化引入模态感知稀疏性。核心贡献是探索这种设计能否以更少训练计算量达到相近的各模态损失，而非验证 EEG 或 BCI 任务效果。 作者在三类多模态预训练设置中评估该方法：Transfusion 使用交错文本与连续图像 token，并包含扩散损失；Chameleon 使用交错文本与离散图像 token；第三类扩展框架进一步纳入语音。摘要未说明具体参数分配、稀疏激活规则或完整损失组合。作者报告，投影组件联合解耦比单独修改带来更大收益，提示不同组件的模态专属化存在协同作用，但具体组件和消融数值尚未验证。 在摘要所述 1.4B 规模下，作者报告：Transfusion 设置达到等效图像损失所需训练 FLOPs 为对照的 34.76%；Chameleon 设置达到相近图像损失和文本损失所需 FLOPs 分别为对照的 42.50% 和 65.40%；三模态设置达到匹配语音损失所需 FLOPs 为对照的 24.80%。这些比例对应不同预训练设置和损失目标，不能直接横向比较，也不等于下游任务性能提升。对照模型配置、数据规模与划分、计算量核算、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，在 EEG 与文本或其他信号联合建模时，模态专属参数化可能缓解共享序列模型对不同输入统计特征的混合处理问题。可复用的是 Mamba 序列建模及参数解耦思路；需要改造 EEG 输入编码、模态标识和训练目标，并依赖可用的多模态配对或交错序列数据。低信噪比、通道差异、跨被试分布变化及小数据可能使专属参数过拟合，原文大规模预训练收益不保证迁移成立。可在固定 EEG—文本数据划分下，以同等训练 FLOPs 比较共享参数 Mamba 与模态专属版本，并分别检查预训练损失和跨被试任务指标；相关 EEG 工作尚未检索确认。

作者：

Weixin Liang; Junhong Shen; Genghan Zhang; Ning Dong; Mengjie Xie; Luke Zettlemoyer; Lili Yu

机构：

尚未验证

发表平台：

ICLR 2026 Conference Withdrawn Submission

标识：

Valt8gMdfl

学术质量 78 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2025-11-17 · 已撤回

基于摘要分析。本文研究如何让状态空间模型根据任务学习频谱表征，提出 FSSM，以频率选择性谱算子参数化一族稳定、因果、具有频带选择性的核，并使谱权重受目标任务条件化。其主要研究对象是雷达目标检测与语音关键词识别，并非 EEG 或 BCI。 核心机制是可训练的谱前端，能够调整频率权重及频率 bin 间的窗口大小，使表征适应不同任务领域。摘要称该设计保留线性时间推理与线性内存复杂度；具体核参数化、稳定性约束、任务条件化方式、损失函数与训练流程尚未验证。作者声称这是首个具有频率选择性谱算子的状态空间模型，其优先性尚需文献核对。 作者报告，在雷达目标检测和语音关键词识别两个独立领域，FSSM 优于相应领域的先进频率方法，同时保持有竞争力的吞吐量与计算开销；作者还报告输入扰动下的鲁棒性表现。摘要未提供数据集、划分、基线名称、指标数值或扰动类型，因此不能量化优势，也不能据此判断跨领域迁移能力。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可学习频带选择机制可能对应 EEG 中任务相关频段突出、无关频率抑制的需求，但这是迁移假设，不是本文已证实的 BCI 效果。可复用候选是谱前端与稳定因果核；需改造多通道组织、采样率对应的频率尺度及任务输出。低信噪比、被试间频谱差异、通道配置变化与小数据均可能使学习到的频率权重过拟合。一个可证伪的小实验是，在同一 EEG 数据集的固定 Cross-subject 划分下，以相同训练预算比较可学习谱前端与固定频率权重版本，并分别核对原始输入和预定义频谱扰动下的同一任务指标。相关 EEG 工作尚未检索确认；复现仍需核对完整方法与实现条件。

作者：

Anuvab Sen; Mir Sayeed Mohammad; Saibal Mukhopadhyay

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

SyTuymSbBJ

学术质量 76 / 100 · 兴趣权重 3 · 机制对应，EEG/BCI 效果尚未验证

• openreview · 元数据快照 · 2026-02-11 · 预印本

基于摘要分析。该研究针对单一表征学习方法难以持续覆盖下游任务所需信息的问题，提出广义模型平均框架，通过为多种表征分配最优权重来整合不同表征学习技术。作者报告，该方法兼具数值效率与理论保证，但摘要未说明具体效率指标、最优性的定义及适用条件。 核心机制是多表征加权聚合，而非仅依赖一种表征。需进一步核对权重如何求解、优化目标与下游任务的关系，以及不同表征的维度和尺度如何对齐；理论保证究竟针对何种风险、数据分布或渐近条件也尚未验证。摘要未提供数据集、数据划分、对照方法或定量结果，实验协议、消融及统计信息尚未验证，因此不能据此判断相较单一表征或常规集成的实际增益。 平台推测（待验证）：若不同 EEG 表征包含互补信息，该加权聚合机制可能用于缓解单一特征对低信噪比与跨被试差异的敏感性。可复用的是聚合与权重优化思路，需改造的是 EEG 表征接口、尺度处理及权重估计协议；其对监督信息和样本规模的依赖尚不明确。潜在失败原因包括表征高度相关、小数据下权重过拟合，以及跨被试分布变化使训练阶段的最优权重失效。一个可证伪的小实验是在固定 Cross-subject 划分下，仅用训练与验证数据估计权重，对比最佳单一表征、等权聚合与该框架，并保持下游分类器及调参预算一致。已有 EEG 相关工作尚未检索确认。

作者：

Wenhui Li; Shijin Gong; Xinyu Zhang

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

8CrDqURqM3

学术质量 55 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-02-11 · 预印本

基于摘要分析。该研究针对同时包含连续函数结构、离散时间动态及非结构化向量输入的数据，提出统一表示学习框架；主要研究对象是收益率曲线预测，输入可为完整收益率曲线或债券级交易数据，输出为预测曲线，并非 EEG 或 BCI 任务。 机制方面，作者扩展注意力机制，使其能够沿连续轴处理整个函数、捕捉随时间的演化，并通过模态融合整合不规则或无序特征。设计目标是在统一表示中兼顾平滑性、时间依赖和数据异质性。摘要未披露连续函数的具体表示、注意力计算方式、融合结构、损失函数及训练与推理流程；其对采样密度、函数观测完整性和监督规模的依赖尚未验证。 作者报告，在债券数据集上相较经典计量经济模型取得一致增益，但摘要未提供数据集名称、数据划分、预测时距、具体基线、指标或数值，不能据此判断增益幅度或跨数据泛化能力。作者还提出强化学习中随时间演化的策略及结构化函数输出生成等潜在应用，这些不等同于已验证结果。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 的时间波形可作为函数型输入、跨时间窗变化对应离散动态、非固定通道观测对应不规则输入，该框架可能为异质采样与通道配置下的表示学习提供参考。可考察连续轴注意力与融合模块，但需明确 EEG 的轴定义、通道空间关系及任务监督；平滑性约束可能削弱短暂事件，低信噪比、跨被试差异及小数据也可能导致失败。一个可检验的小实验是在固定 EEG 任务及被试划分下，比较该框架与常规时序模型在通道缺失、采样不规则条件下的性能变化，保持训练数据和评价指标一致。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性证据。

作者：

JINGXIANG TANG; Yu Zhang; ZiyongLi; Chi Seng Pun

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

RqxTIRLVzS

学术质量 66 / 100 · 兴趣权重 3 · 机制对应，EEG/BCI 效果尚未验证

• openreview · 元数据快照 · 2026-02-11 · 预印本

基于摘要分析。该研究针对 EEG 采集中的低信噪比、样本间高变异性，以及电极位置所形成的空间依赖，提出 EEG 基础模型 NERVE。其核心贡献是将去噪离散 token 学习、掩码建模和电极位置感知结构结合，而不只处理不同数据格式的兼容问题。 预训练分为两个环节：首先训练噪声鲁棒的神经 tokenizer，将 EEG 片段编码为离散 neural tokens；通过去噪时域–频谱预测，从加入噪声的输入重建原始信号的时间与频率信息。随后，基础模型预测被掩码 EEG 片段对应的离散编码，并结合旨在促进 EEG 表征均匀性的变异鲁棒目标。摘要未提供该目标的具体数学形式，不能据此认定其实现了跨被试或跨数据集分布对齐。 tokenizer 与基础模型均采用电极位置感知 transformer，作者描述其通过注意力机制捕获电极与脑区之间的空间依赖。电极位置如何编码、脑区如何表示，以及不同电极布局如何适配，尚未验证；这里的“电极–脑交互”应理解为模型的空间建模机制，而非已经验证的生理因果关系。 作者报告，NERVE 在多种 BCI 任务上具有竞争性表现，相较已有 EEG 基础模型提高了对噪声和变异性的鲁棒性。摘要未给出具体任务、数据集、被试数、指标、基线或被试内／跨被试／跨会话／跨数据集协议，因此无法量化提升幅度，也不能直接判断泛化范围。 复现时应重点核对噪声增强与测试噪声的对应关系、表征均匀性目标是否保留任务判别信息，以及电极位置建模在布局变化下的作用。完整实验协议、组件消融及统计信息尚未验证，训练规模、权重与代码可用性也尚未确认。

作者：

Hyunwoo Seo; Jiwon Kim; Byeongyeon So; MINSEONG KIM; Youngjun Song; Seoyoung Jin; Woon-Hong Yeo; Chiehyeon Lim

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

03jzVlLxEe

学术质量 72 / 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 · 2026-02-11 · 预印本

基于摘要分析。该研究针对 EEG 中肌肉、眼动、电极、咀嚼及颤抖伪迹标注成本高的问题，比较条件 WGAN-GP 与 1D 去噪扩散模型能否生成具有真实感且符合指定标签的多通道伪迹片段，用于数据增强与压力测试。其贡献是建立同时考察逼真度、类别特异性和下游增强效用的比较基线，而非仅凭生成信号的外观判断质量。 数据来自 TUH EEG Artifact（TUAR），采用按被试划分的数据集和固定长度多通道窗口，摘要以 250 个采样点为窗口长度示例，但未给出对应时长。两类模型使用不同预处理：对抗训练采用逐窗口 min–max 归一化，扩散模型采用逐记录、逐通道 z-score 标准化。条件 WGAN-GP 使用 projection discriminator，扩散模型使用 classifier-free guidance；具体网络结构、条件编码及训练配置尚未验证。 评估包括三个维度：逼真度通过 Welch 频带功率差（Δδ、Δθ、Δα、Δβ）、通道协方差 Frobenius 距离、自相关 L2 及 MMD/PRD 衡量；类别特异性通过轻量 kNN 或分类器检验类别条件恢复；实际效用通过合成数据对伪迹识别的增强效果检验。作者报告，在本文采用的数据划分与各模型预处理设置下，WGAN-GP 的频谱对齐更好、相对真实数据的 MMD 更低，但两种模型的类别条件恢复均较弱，限制了直接的数据增强收益。摘要未提供具体数值，不能据此断言 WGAN-GP 在所有质量维度或其他 EEG 数据上更优。 复现时需核对被试划分、窗口构建、类别分布、不同归一化方式对比较结果的影响，以及增强实验的训练与测试协议。作者表示发布了数据清单、训练配置和评估脚本组成的可复现流程，但材料未提供可核查的实现细节。实验协议、消融及统计信息尚未验证；本研究直接涉及 EEG 伪迹处理，但并未证明其能改善具体 BCI 任务性能。

作者：

Hritik Arasu; Faisal R Jahangiri

机构：

尚未验证

发表平台：

ICLR 2026 Conference Desk Rejected Submission

标识：

hcA3sq27kR

学术质量 69 / 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 · 2026-02-12 · 预印本

基于摘要分析。该研究针对自然视频刺激下个体化 EEG 响应的生成问题，提出刺激／被试条件化 EEG 生成任务，并引入 VidEEG-Gen 数据集与图增强扩散框架，以缓解 EEG 数据获取成本和个人信号共享的隐私风险。 作者将既有生成方法的局限概括为时空连贯性、生物学合理性及刺激—响应对齐不足。其核心模型 Self-Play Graph Network（SPGN）以视觉输入为条件，通过图增强扩散机制建模 EEG 时空模式；摘要未说明图的构建方式、个体条件的编码方法、扩散训练目标或推理流程，因此尚不能判断各模块如何分别改善这些问题。 作者报告，VidEEG-Gen 包含 1007 个对齐的视频—EEG 生成样本，用于同步自然视频刺激与合成 EEG 动态。真实记录与合成信号的具体构成、被试人数、通道配置、采集与预处理流程，以及被试内、跨被试或跨视频的数据划分尚未验证，不能将样本数视为独立被试数或真实 EEG 记录数。 作者还提出动态视觉感知任务的专用生成质量评估体系，并报告 SPGN 在基准视觉刺激实验中的 signal stability index 为 0.9363、comprehensive performance index 为 0.9373。摘要未给出两项指标的定义、取值解释、对照基线及划分协议；它们不能解释为分类 Accuracy，也不足以单独证明生物学真实性、隐私保护或下游 BCI 效用。实验协议、消融及统计信息尚未验证。 复现时需核对刺激—响应对齐方式、个体条件所需数据、评估指标实现及隐私威胁模型，并区分信号生成质量与下游应用收益。摘要仅将情绪分析、数据增强和 BCI 列为潜在用途，未提供相应效用结果。作者表示代码和数据将在论文被接收后公开；当前开放状态与接收状态尚未验证。

作者：

Yunfei Guo; Tao Zhang; Wu Huang; Yao Song

机构：

尚未验证

发表平台：

ICLR 2026 Conference Withdrawn Submission

标识：

SL3GBvdwKw

学术质量 65 / 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 · 2025-11-12 · 已撤回

基于摘要分析。本文研究振荡状态空间模型中遗忘机制与状态演化时间尺度耦合所造成的表示限制，提出 Damped Linear Oscillatory State-Space models（D-LinOSS），使模型能够学习在任意时间尺度上耗散潜在状态能量。研究对象是通用长序列学习模型，而非 EEG/BCI 专用算法。 机制与贡献：原方法 Linear Oscillatory State-Space models（LinOSS）由离散化的受迫谐振子层构成，通过对角递归矩阵上的快速并行扫描处理序列。摘要指出，其能量耗散即“遗忘”机制较为刚性，并与状态演化时间尺度绑定。D-LinOSS 将这一机制推广为可学习的阻尼过程；作者分析递归矩阵的谱分布，并称证明了在一种简单、灵活的参数化下，SSM 层具有稳定动力学。具体参数化、离散化公式、稳定性假设及训练目标尚未验证。 结果与证据边界：作者报告，D-LinOSS 在长程学习任务上持续优于此前 LinOSS 方法，收敛更快，且无需增加复杂度或采用多种离散化方案。摘要未提供任务名称、数据集、划分、指标、提升幅度及复杂度核算细节，实验协议、消融及统计信息尚未验证。文中最长 50k 的序列及相关领先表现描述针对此前 LinOSS，不能作为 D-LinOSS 的具体评测结果。 平台推测（待验证）：假设可学习的耗散时间尺度能够适配 EEG 中短暂事件与较长上下文并存的结构，则振荡状态更新与阻尼参数化可能用于长窗 EEG 建模；输入编码、通道融合和任务输出仍需针对 EEG 改造。低信噪比可能使状态积累噪声，跨被试变化可能导致所学时间尺度失配，小数据下额外自由度也可能难以可靠估计。可在同一 EEG 数据集与固定跨被试划分下，保持输入处理、训练预算及模型规模可比，仅比较 LinOSS 与 D-LinOSS，检验任务指标和收敛速度，并观察不同窗口长度下的变化。该实验属于迁移假设，已有 EEG 相关工作尚未检索确认。

作者：

Jared Boyer; T. Konstantin Rusch; Daniela Rus

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

dw2vxWVrA9

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 · 2026-02-11 · 预印本

基于摘要分析。该研究针对像素化天气数据表示可能产生的数据冗余，以及难以高效刻画天气现象连续性的问题，提出 EllipWeather，以 Gaussian ellipsoids 表示天气模式，并构建处理该表示的等变图神经网络用于天气预测。研究还探索了这一表示在数据压缩与降尺度（超分辨率）中的用途。 核心机制：作者以天气现象可由高斯分布混合建模为依据，用高斯椭球替代像素表示；随后通过等变图神经网络捕捉天气变化的内在等变性。摘要未说明椭球的参数化与构建方式、图的连接规则、具体变换群、训练目标或预测流程，因此尚不能判断其如何保留局部细节，以及等变约束与天气动力学之间的具体关系。 结果与证据边界：作者报告，在常用数据集上的实验中，EllipWeather 优于既有工作，并展示了压缩与降尺度的潜力。但摘要未提供数据集名称、划分、预测时效、对照方法、评价指标或具体数值；实验协议、消融及统计信息尚未验证。复现前需核对表示构建成本、预测误差与压缩率的关系，以及对极端天气和细尺度结构的保真度。 平台推测（待验证）：可迁移的机制假设是，以连续空间中的紧凑参数化表示减少规则网格冗余，再通过图模型处理结构关系；若 EEG 存在可稳定表示的空间或时空平滑结构，这一路径或可用于信号压缩与重建，而非直接构成 BCI 解码方法。原方法依赖天气场可被高斯混合有效近似，其数据规模与监督方式尚未验证。迁移时可考察表示与图处理思路，但需改造电极坐标映射、时间维度处理及等变假设；低信噪比、稀疏通道、跨被试空间差异和小数据可能使椭球拟合不稳定，或平滑掉短暂的任务相关成分。一个可证伪的小实验是在固定被试内划分与相同压缩预算下，对比高斯椭球表示和常规表示的 EEG 重建误差及下游解码 Accuracy，以检验紧凑表示是否损失判别信息。已有 EEG 相关工作尚未检索确认。

作者：

Ke Liu; Shengdong Lin; Chunhua Shen

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

zQP8bkvuhO

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 · 2026-02-11 · 预印本

基于摘要分析。研究针对含噪 EEG 的表示学习与运动想象（MI）分类，提出两阶段多任务框架，将去噪、非线性动力学建模和自监督对比学习结合，并通过分阶段训练分离信号重建与判别目标。 第一阶段训练去噪自编码器，旨在抑制伪迹并稳定时间动态；第二阶段以去噪后的信号为输入，联合完成 MI 分类、基于 Lyapunov exponent 标签的混沌与非混沌状态判别，以及采用 NT-Xent loss 的自监督对比表示学习。卷积骨干与 Transformer encoder 用于捕捉时空结构，动力学辅助任务则旨在使表示对非线性脑动态保持敏感。摘要未提供去噪监督的构造方式、动力学标签的估计流程、对比样本生成策略或多任务损失权重，这些实现条件尚未验证。 作者报告，该框架提升了 EEG 解码的鲁棒性与泛化能力，并优于强基线及近期最先进方法；作者同时认为，两阶段设计可缓解重建目标与判别目标之间的干扰，提高跨数据集稳定性。摘要未给出数据集、被试数量、划分方式、评估指标或数值，因此无法判断这些结论对应被试内、跨被试、跨会话还是跨数据集协议，也不能量化增益。 复现时值得重点核对：去噪是否保留 MI 判别信息，Lyapunov exponent 标签对噪声和估计参数是否敏感，以及动力学辅助任务、对比学习和分阶段训练各自贡献多少。上述问题属于待核对事项，不代表作者未进行相应实验；完整实验协议、消融及统计信息尚未验证。来源材料也不足以确认代码可用性与发表状态。

作者：

Sucheta Ghosh; Zahra Monfared; Felix Dietrich

机构：

尚未验证

发表平台：

ICLR 2026 Conference Withdrawn Submission

标识：

CvXrh2mKEi

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 · 2025-11-21 · 已撤回

基于摘要分析。本文研究 Markov decision processes（MDPs）中的状态表征，提出以 minimum action distance（MAD，最小动作距离）刻画环境结构，并仅利用状态轨迹进行自监督学习，无需奖励信号或智能体执行的动作记录。核心贡献是构建嵌入空间，使状态对的嵌入距离对应其 MAD，为目标条件强化学习和奖励塑形提供稠密、具有几何意义的进度度量。 MAD 被定义为两个状态之间转移所需的最少动作数。该框架同时支持对称和非对称近似，因此可考察状态间转移方向性对表征的影响。摘要未说明具体距离函数、损失形式、状态对采样方式，以及随机动力学下 MAD 的精确定义；这些机制及其可辨识条件尚需全文核对。 作者报告，在具有已知 MAD 值的环境集合上，该方法能够高效学习准确的 MAD 表征，并在表征质量上显著优于既有状态表征方法。评估覆盖确定性与随机动力学、离散与连续状态空间，以及含噪观测环境。摘要未提供环境名称、数据划分、对照方法、数值指标或统计检验；实验协议、消融及统计信息尚未验证，也不能据此认定下游强化学习性能已得到提升。 平台推测（待验证）：其潜在 EEG 对应点是利用连续记录中的状态轨迹学习转移结构，而非依赖密集任务标签。可复用的是轨迹驱动的距离学习思路；需改造的是 EEG 状态编码、时间尺度及转移距离的定义。该迁移假设依赖稳定的状态与时序结构，但 EEG 的观测变化不一定对应可执行动作，低信噪比、通道差异、跨被试非平稳性和小数据可能使距离主要反映噪声或记录条件，而非任务进程。 一个可检验的小实验是在具有明确任务阶段的 EEG 连续记录中，按完整试次划分训练与测试数据，以轨迹训练距离表征，并与相同编码器的普通自监督表征比较其对留出试次阶段顺序及转移方向的刻画能力；同时用打乱时间顺序的轨迹检验收益是否确实来自转移结构。该实验只能检验时序表征价值，不能直接验证 EEG 中存在动作意义上的 MAD。已有 EEG 相关工作尚未检索确认。

作者：

Lorenzo Steccanella; Joshua Benjamin Evans; Özgür Şimşek; Anders Jonsson

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

RT5SlprCmc

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 · 2026-02-11 · 预印本

基于摘要分析。本文研究 Graph State-Space Models（GSSMs）中的长程信息传播问题，将现代 State-Space Models（SSMs）的计算整合进 Message-Passing Neural Network 框架，并通过闭式 Jacobian 对节点间依赖进行精确敏感性分析。其主要研究对象是通用图学习，而非 EEG 或 BCI。 机制与理论：作者指出，现有部分 GSSMs 依赖图序列化或谱分解，在置换等变性、消息传递兼容性及计算效率方面存在限制，对梯度消失和过度压缩（over-squashing）的传播分析也多为宽松界或定性描述。作者提出的统一架构保留消息传递形式，支持置换等变与快速并行计算；作者报告，该形式允许闭式计算 Jacobian，并给出信息流的严格下界，以解释稳定长程传播成立的条件。具体状态更新、参数化方式、稳定性假设、下界适用范围及计算复杂度尚未验证，不能将这些保证视为对任意图与训练设置都成立。 实验：作者报告在节点分类、图属性预测、长程推理及时空预测等基准上取得较强经验表现。摘要未提供数据集名称、划分协议、基线、具体指标或数值，实验协议、消融及统计信息尚未验证；也尚不能判断理论敏感性与实际预测表现之间的对应程度。 平台推测（待验证）：迁移假设是将 EEG 通道作为图节点、通道关系作为边，用该框架研究跨通道长程依赖及传播稳定性。可复用候选是消息传递计算与 Jacobian 分析，需改造的是 EEG 时间序列输入、通道图构建及任务输出。原方法对图结构、监督方式与数据规模的具体依赖仍需全文核对；低信噪比、错误连边、跨被试差异、通道配置变化及小数据训练可能削弱其效果。一个可证伪的小实验是在固定 EEG 数据划分与相同通道图下，对比该方法和常规消息传递基线，联合检查任务指标与节点依赖随图距离的变化；若传播改善未伴随任务收益，则不支持该迁移假设。已有 EEG 相关工作尚未检索确认。

作者：

Andrea Ceni; Alessio Gravina; Carola-Bibiane Schönlieb; Claudio Gallicchio; Davide Bacciu; Moshe Eliasof

机构：

尚未验证

发表平台：

ICLR 2026 Conference Desk Rejected Submission

标识：

u8Vn63eG2K

学术质量 79 / 100 · 兴趣权重 3 · 机制对应，EEG/BCI 效果尚未验证

• openreview · 元数据快照 · 2026-02-12 · 预印本

基于摘要分析。StateX 针对 RNN 将上下文压缩到固定大小循环状态、因而难以准确召回长上下文信息的问题，提出通过后训练扩展预训练 RNN 状态的训练流程，旨在避免直接训练大状态模型的高成本。 核心机制：研究覆盖 linear attention 与 state space models 两类 RNN，分别设计后训练架构修改，在不增加或仅少量增加模型参数的情况下扩大循环状态。摘要将状态容量与模型参数量区分开来，但未说明具体扩展操作、初始化方式、损失函数及训练数据。其背景依据是既有研究发现召回能力与循环状态大小正相关；这一关系不应视为所有任务上的普遍保证。 作者报告：在参数规模最高达 1.3B 的模型上，StateX 改善了召回与上下文学习能力，且未带来高额后训练成本或损害其他能力。摘要未提供任务、数据集、划分、基线、指标数值或成本计量口径，因此无法判断提升幅度及适用边界。实验协议、消融及统计信息尚未验证；复现需核对状态扩展结构、训练预算，以及扩展前后的内存占用、推理吞吐与能力保持情况。 平台推测（待验证）：假设 EEG 序列模型的长时信息保持确受循环状态容量限制，后训练扩展状态可能成为复用预训练模型的一条路径，但语言上下文召回不等同于 EEG 解码。可考虑复用状态扩展流程，需改造 EEG 输入表征与任务监督，并核对通道结构和序列长度依赖；低信噪比、跨被试差异及小数据可能使扩展状态更多保留噪声或产生过拟合。一个可证伪的小实验是在固定 EEG 数据划分、任务监督和后训练预算下，对比原状态与扩展状态模型，观察长窗口任务表现及内存开销，并检查收益是否随窗口长度变化。已有 EEG 相关工作尚未检索确认。

作者：

Xingyu Shen; Yingfa Chen; Zhen Leng Thai; Xu Han; Zhiyuan Liu; Maosong Sun

机构：

尚未验证

发表平台：

ICLR 2026 Conference Withdrawn Submission

标识：

PkPyGR4EKP

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 · 2025-12-25 · 已撤回