BCI 科研雷达

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

基于摘要分析。本文研究结构化状态空间模型（SSMs）的隐状态能否在编码完成后合并，用于下游推理，提出 document souping：独立编码各篇文档，再通过平均等简单操作将其表示池化为单一上下文状态，从而支持模块化编码与表示复用，避免每次查询都重新处理完整输入。 该方法受 model souping 启发，但合并对象是文档表示，而非模型参数。其核心研究对象是微调后的 Mamba2 在文本推理中的上下文表示，主要对照为标准整体编码方式。摘要未说明具体池化位置、状态对齐方式、微调目标，以及查询如何使用合并状态，这些机制细节尚未验证。 作者报告，使用融合表示的微调 Mamba2 在多跳 QA、稀疏检索和长文档推理任务上取得与整体编码相当或更优的表现；在长文档问答基准 RACE 和 QuALITY 上，作者报告其明显优于传统拼接方式，但摘要未给出具体指标或提升幅度。作者还报告，在最多 256 篇文档的测试中，该模块化设计能够扩展并显著节省推理成本；文档长度、成本口径、数据划分、实验协议、消融及统计信息尚未验证，尚不能量化其收益边界。 平台推测（待验证）：若 EEG 的分段编码状态具有可合并性，类似机制可能用于缓存并复用长时记录的片段表示，减少重复编码。此假设依赖表示空间的一致性及合并后任务信息的保留，不能由文本结果直接推出。可复用部分是独立编码、状态缓存与池化流程；需改造 EEG 输入编码、时间顺序表达和训练监督。低信噪比、跨被试分布差异、通道配置变化及小数据训练都可能使简单平均稀释关键事件。一个可检验的小实验是在固定被试内划分、相同编码器和训练预算下，对比完整序列编码与分段状态平均，同时测量任务指标和推理成本，并检查片段顺序改变是否影响结果。相关 EEG 工作尚未检索确认。

作者：

Yasaman Jafari; Zixian Wang; Leon Bergen; Taylor Berg-Kirkpatrick

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

Mw6TUZer5l

学术质量 79 / 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。本文针对序列建模中的长期依赖问题，提出 Reservoir State Space Model（RSSM），将 State Space Models（SSMs）的结构化动力学与储备池计算结合，以固定、未训练的动力学生成隐藏表示，仅训练轻量前馈读出层，寻求性能与训练效率之间的权衡。原论文主要研究通用序列建模，并非 EEG 或 BCI 验证。 核心机制是利用 SSM 的线性结构实现高效、可并行的卷积计算，同时保留类似 RNN 的潜在内部状态。作者通过底层 SSM 的稳定性分析，旨在扩展记忆容量并获得丰富的隐藏表示。其区别于全面训练序列模型的关键在于，将结构化卷积动力学作为固定储备池，把学习限制在读出层；具体状态参数化、稳定性条件、初始化方式、读出结构与损失尚未验证。 作者报告，在标准序列建模基准上，RSSM 相比传统可训练架构取得有竞争力的 Accuracy，并具有显著效率收益。但摘要未列出基准名称、数据划分、对照模型、具体数值或效率测量条件，因此不能判断收益来自训练时间、推理时间、显存还是其他计算指标。实验协议、消融及统计信息尚未验证；低资源与实时应用的适用性仍需核对正文证据。 平台推测（待验证）：固定时间动力学与轻量读出的组合，可能对应 EEG 小数据条件下训练成本高、长时间依赖难建模的问题。可复用的是时间序列储备池和读出训练框架；需根据 EEG 的采样率、频带及通道结构调整输入映射和记忆时间尺度。该假设依赖固定动力学能保留任务相关信息，以及有限监督足以训练读出层，原领域结果不等于 BCI 有效性。低信噪比、跨被试分布变化及通道差异可能使固定表示失效，小数据也可能使读出层过拟合。 一个可检验的小实验是在固定划分的 EEG 分类任务中，分别评估被试内与跨被试协议，对比 RSSM、普通储备池及可训练 SSM，在一致预处理和调参预算下记录 Accuracy、训练耗时与推理延迟，检验效率收益是否伴随性能下降。已有 EEG 相关工作尚未检索确认；代码、依赖及完整复现条件尚未验证。

作者：

Giuseppe Lombardi; Andrea Ceni; Claudio Gallicchio

机构：

尚未验证

发表平台：

ICLR 2026 Conference Withdrawn Submission

标识：

azNpwiObPp

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 · 2025-12-03 · 已撤回

基于摘要分析。该研究针对连续 EEG 中短时事件的分割与检测，提出结合学习式通道嵌入空间插值的电极配置无关框架，旨在无需针对目标记录电极配置训练、也无需被试特定校准的条件下实现高时间分辨率事件分割。 研究问题不同于依赖刺激时间锁定的分析，也不同于睡眠分期等较长、边界相对明确的片段识别：实际 BCI 中刺激可能不规则出现，操作者也可能产生内源性事件，因此需要在连续信号中定位事件。摘要明确的核心机制是对学习到的通道嵌入进行空间插值，以处理不同记录电极配置；插值的具体定义、所需电极位置信息、嵌入学习方式、分割输出与损失形式尚未验证。 作者报告，在覆盖 P300、SSVEP 和运动想象的多种数据集与范式上，该模型持续优于原始基础模型 BIOT 和 EEGPT，并具有更好的跨数据集及电极配置无关泛化表现。摘要未提供数据集名称、被试数量、划分方式、事件边界定义、评价指标或具体数值，因此尚不能判断各范式的收益幅度，也不能将跨数据集结果直接等同于独立验证的跨被试或跨会话结果。 复现时应重点核对目标数据集与目标电极配置的隔离方式、免校准条件允许使用的信息、基线适配方式，以及时间分辨率与误检、漏检和边界误差之间的权衡。实验协议、消融及统计信息尚未验证。作者称代码与预处理数据已公开，但其可访问性与复现完整性尚未核验。实时神经科学研究、临床诊断和 BCI 应用是作者提出的未来方向；摘要未提供在线延迟或临床验证结果。

作者：

Jun Ma; Tuukka Ruotsalo

机构：

尚未验证

发表平台：

ICLR 2026 Conference Withdrawn Submission

标识：

SO4bEELWVL

学术质量 75 / 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 · 2025-12-03 · 已撤回

基于摘要分析。NeuroRVQ 针对 EEG 基础模型中信号 tokenization 难以保留高频动态的问题，提出以码本式 tokenizer 为核心的 Large Brainwave Model（LBM），旨在兼顾 EEG 压缩、跨频段高保真重建与生成式掩码建模。 方法包含三个要素：多尺度特征提取模块，用于捕获不同时间与频谱尺度的信息；分层残差向量量化（RVQ）码本，用于高分辨率编码；相位与幅度感知的 EEG 信号损失，用于训练。其核心思路是改善离散 token 对信号细节的保留，而不只是调整后续掩码预测模型。摘要未给出各尺度的定义、码本配置、损失公式及掩码建模的具体训练与推理流程，这些内容尚未验证。 作者报告，NeuroRVQ 获得了更低的重建误差，并在多种下游任务上优于现有 LBMs；但所给摘要未列出数据集、被试数、任务名称、指标数值、具体对照模型或被试内、跨被试、跨会话及跨数据集协议，因此不能据此量化优势或判断其泛化范围。摘要中关于支持神经解码、生成建模与多模态生物信号整合的表述属于作者提出的应用前景，不等同于这些应用均已获得验证。 阅读全文时值得核对：不同频段的重建评价是否支持高频保留这一核心主张；重建收益与下游任务收益之间的关系；多尺度提取、分层 RVQ 和相位及幅度感知损失各自的贡献；以及压缩程度与重建质量的权衡。实验协议、消融及统计信息尚未验证，代码、模型权重与复现条件也未由当前材料确认。

作者：

Konstantinos Barmpas; Na Lee; Alexandros Koliousis; Yannis Panagakis; Dimitrios Adamos; Nikolaos Laskaris; Stefanos Zafeiriou

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

m38Hle9Utx

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。该研究针对古希腊手稿中字形随世纪演变、样本稀缺及材料退化导致的表征不稳定问题，提出三个字形数据集，并结合人类感知混淆程度与手稿损坏模拟，学习兼顾识别和历时分析的表征。 数据与机制：Hell-Char 是覆盖公元前3至1世纪的整理训练集；PaLit-Char 与 Med-Char 是分别覆盖公元1至5世纪、公元9至14世纪的评估集。方法包括相似度加权的监督式对比损失，以人类感知的字形易混淆程度引导嵌入，以及 lacuna-driven augmentation，用于模拟真实手稿中的缺损。摘要未给出相似度来源、权重计算、损失公式或增强参数，尚不能判断其具体实现与敏感性。 结果与用途：作者报告，采用上述策略训练的轻量 CNN 和预训练 ResNet 获得了较强识别表现，且嵌入相比 PCA 或通用预训练模型能更连贯地区分字符类别；这些嵌入还支持聚类、风格子群识别和原型图像构建，用于呈现字形的历时演变与过渡形态。摘要未提供指标数值、样本量、具体划分或逐评估集结果，因此不能量化跨时期收益。实验协议、消融及统计信息尚未验证，识别提升与可解释性改善是否来自同一机制也需核对全文。 平台推测（待验证）：可迁移的假设是，把领域相关的类别混淆先验和真实损坏机制纳入训练，可能帮助缓解 EEG 小样本、低信噪比及跨会话漂移。原方法依赖带类别标签的字形图像、感知相似度及手稿缺损模型；迁移时可考虑复用对比学习目标，但必须重新定义 EEG 的类别相似度，并将图像缺损增强改为符合信号机制的通道缺失或时间片段扰动。错误的混淆先验可能压缩可分信息，过强增强也可能破坏任务相关信号；被试差异与通道布局变化不等同于字形演变。 可检验的小实验：在固定 Cross-session 划分下，比较基础监督式对比学习、仅加混淆权重、仅加领域增强及两者结合，保持编码器与训练预算一致，检验预先选定的分类指标及不同噪声条件下的稳定性。该方案仅为迁移假设，已有 EEG 相关工作尚未检索确认。复现仍需核对数据获取方式、先验构建过程、增强实现与训练配置。

作者：

John Pavlopoulos; Spyros Barbakos; Lavinia Ferretti; Dionysios Voulgarakis; Giuseppe De Gregorio; Asimina Paparrigopoulou; Paraskevi Platanou; Maria Konstantinidou; Isabelle Marthot-Santaniello; Holger Essler

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

vXt4OFsw6j

学术质量 74 / 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。本文研究预训练基础模型在无法访问历史数据、任务依次到达的持续学习场景中，如何避免微调造成的表征退化。研究比较已有特征保持微调方法，并提出两阶段策略 PEFT+Cons，将参数高效微调（PEFT）与任务特定知识巩固结合，以平衡稳定性与可塑性。 方法与对照：作者使用一个大规模预训练基础模型，系统评估 L2-SP、FTP、WiseFT 和 ImpReg，并比较全量微调（FullFT）与 PEFT。摘要明确了 PEFT+Cons 的两阶段思路，但未说明所用基础模型、PEFT 的具体形式、知识巩固操作、损失函数及阶段衔接方式，这些细节尚未验证。 结果与证据边界：在 CIFAR-100 和 ImageNet-R 的持续学习基准实验中，作者报告 PEFT+Cons 能有效防止表征遗忘，同时增强任务特定知识的保留。摘要未提供数值指标、任务序列与数据划分，也未界定表征遗忘和知识保留的测量方式，因此目前不能量化收益或判断不同方法之间的差异。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可检验的迁移假设是，限制参数更新并巩固新任务知识，可能缓解 EEG 模型在跨会话顺序适应时对既有表征的破坏。原问题依赖大规模预训练模型和顺序任务数据；可借鉴两阶段适应框架，但需要按 EEG 输入结构、任务边界和标签可用性改造 PEFT 与巩固模块。低信噪比、通道变化、被试差异及小数据可能使模型保留不适用的旧特征，或使巩固过程固化噪声。取得实现细节后，可在固定通道、单被试多会话数据上按会话顺序适应，遵守不访问历史训练数据的约束，比较 FullFT、PEFT 与 PEFT+Cons 的新会话表现和旧会话性能变化。该迁移尚未验证，已有 EEG 相关工作尚未检索确认。

作者：

Gavin Fungtammasan; Irena Koprinska

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

WkMP1v5xu9

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 · 2026-02-11 · 预印本

基于摘要分析。本文研究机器人决策中 Vision-Language-Action（VLA）模型的泛化瓶颈，通过逐层表征分析考察承担动作生成任务的深层特征，并提出 hidden Space WOrld modeLing（SWOL），利用从未来观测外推的中层表征对齐退化的深层特征。 核心机制：作者报告，负责动作生成的较深层表征对语义信息与环境动力学的泛化能力下降。SWOL 以泛化能力更强的中层表征作为对齐参照，约束表征具有时间一致性并与动作关联；摘要称该方法无需修改模型架构或推理流程。具体未来观测的使用方式、外推过程、对齐损失及训练安排尚未验证，不能据此确定其实现形式。 结果与证据边界：作者报告，仿真和真实环境实验显示 SWOL 能缓解表征退化，提高策略有效性，并增强视觉、语言及动力学方面的泛化。摘要未提供模型、数据集、任务、划分、对照基线或量化指标，实验协议、消融及统计信息尚未验证；也尚不能判断收益是否主要来自深层对齐、时间约束或其他训练因素。 平台推测（待验证）：该方法的原始对象是具有观测—动作序列的机器人 VLA，而非 EEG/BCI。可检验的迁移假设是，时序 EEG 解码模型的深层任务表征也可能损失中层保留的可泛化信息，但这不等同于已证实的跨被试瓶颈。逐层表征评估与中深层对齐思路可能复用，未来观测参照和动作关联约束则需按 EEG 的时序结构及监督条件改造；低信噪比、被试差异、通道变化和小数据可能使对齐目标不稳定，甚至保留无关噪声。小规模验证可在固定跨被试划分下，先比较冻结的各层表征解码表现，再对比原模型与加入中深层对齐的模型，并确保未来观测仅用于训练。已有 EEG 相关工作尚未检索确认。

作者：

Zhilong Zhang; Xiong-Hui Chen; Yidi Wang; Yihao Sun; Wenyu Luo; Haoxiang Ren; Haoxin Lin; Yang Yu

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

qR2TjMZ10B

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 EEG-to-text 生成中的可靠性问题：生成文本究竟反映了脑活动中的语义信息，还是主要来自预训练生成模型的幻觉。作者从后验坍塌的角度分析这一问题，提出 Generative Language Inspection Model（GLIM），并将解码目标由逐字重建刺激文本改为概括核心语义。 方法的主要出发点是 EEG 与文本之间的信息容量不匹配。GLIM 强调在异质、小规模数据条件下学习具有信息量且可解释的 EEG 表征，以增强生成文本的语义依据。摘要未提供后验坍塌的具体诊断方式、表征可解释性的定义、模型结构、损失形式或训练流程，因此尚不能判断其如何约束生成模型对 EEG 信息的依赖。 作者报告，在公开 ZuCo 数据集上，GLIM 能在不使用 teacher forcing 的条件下持续生成流畅、以 EEG 为依据的句子。摘要未给出定量指标、对照方法或被试内、跨被试、跨会话等划分背景，故不能据此确定提升幅度及泛化范围；不使用 teacher forcing 本身也不足以证明生成内容具有语义忠实性。 评估贡献是超越文本相似度，加入 EEG-text 检索，以及覆盖情感类别、关系类型和语料主题的零样本语义分类。这些任务为核对 EEG 表征是否保留可辨识语义提供了补充视角，但检索候选构成、零样本定义、训练测试隔离和生成输出与这些评估之间的关系尚需核对。 复现时应重点核对 EEG 预处理、文本与 EEG 的配对方式、划分协议、生成模型配置，以及用于检验 EEG 依赖性的对照。实验协议、消融及统计信息尚未验证，代码和复现资源也尚未验证。

作者：

Xiaozhao Liu; Dinggang Shen; Xihui Liu

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

mMhlqK79Nm

学术质量 75 / 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。LAtte 针对 EEG 低信噪比与实例间高变异带来的分类困难，将 Lorentz Attention Module 与基于 InceptionTime 的编码器结合，重点研究跨被试泛化，并通过共享信号学习和个体差异建模组织多被试训练。 方法上，作者先通过预训练任务学习所有被试共享的基线信号，以捕捉共同的潜在模式；随后利用低秩适配器学习被试特定嵌入。作者称，这使单个模型能够同时面向所有被试训练，而不必为每名被试维护独立的整套模型权重。摘要未说明预训练任务、Lorentz 注意力的具体计算、双曲空间映射、损失函数及适配器配置，相关机制仍需全文核对。 作者报告，在三个常用 EEG 基准上，相较其所称的当前最先进方法取得明显性能提升。但摘要未提供数据集名称、分类任务、指标、数值或对照方法，也未交代跨被试训练与测试划分。因此，目前无法量化提升幅度，亦无法判断结果对应未见被试直接推理，还是包含目标被试适配的评估设置。 复现时应重点核对：共享基线学习使用哪些被试数据，目标被试嵌入如何获得、是否需要标签，以及 Lorentz 注意力和低秩适配器分别带来何种增益。这些属于待验证事项，并不意味着作者未开展相应实验。实验协议、消融及统计信息尚未验证；代码、预处理流程和计算需求也未由所给材料确认。

作者：

Johannes Burchert; Ahmad Bdeir; Tom Hanika; Lars Schmidt-Thieme; Niels Landwehr

机构：

尚未验证

发表平台：

ICLR 2026 Conference Withdrawn Submission

标识：

USbGgzaIiy

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 · 2025-11-27 · 已撤回

基于摘要分析。该研究针对 EEG 自监督学习中输入电极与表征之间的一一对应关系未被充分保留、可能导致空间信息丢失的问题，提出 Spatiality Preserving Representation（SPR）Learning。其核心贡献是通过 coherence 伪标签预测任务学习空间关系，将 EEG 空间组织信息纳入自监督表征学习。 机制方面，作者将 SPR 与依赖重建或采用独立编码器进行时间预测的方法作对照，主张 coherence 伪标签能够引导模型理解脑信号的拓扑组织。摘要未说明 coherence 的计算方式、伪标签构造、预测对象、损失函数，以及电极—表征对应关系的具体保证机制；这些是判断方法能否真正保留空间信息、而非仅学习相关性模式的关键核对点。 结果方面，作者报告在不同数据集上的微调提升分别为 4.7%、9.7%、1.6% 和 15.6%，并称优于现有先进方法。但摘要未提供数据集名称、下游任务、指标、对照方法或被试内／跨被试等划分协议，也未说明这些百分数是相对提升还是百分点差值，因此不能据此比较不同数据集上的效果。实验协议、消融及统计信息尚未验证。 作者认为所学表征能够捕捉 EEG 的时空动态，并为功能连接分析与自监督表征学习建立联系；摘要尚不足以确认其脑区关系解释能力。复现时需取得全文中的电极布局与预处理要求、伪标签生成流程、预训练和微调设置，并核对空间信息保留的直接证据及对通道配置变化的适用范围；代码与数据可用性尚未验证。

作者：

Li Meng; Rabindra Khadka; Pedro Lind; Anis Yazidi

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

gpf2dYfVwg

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。本文研究如何融合 EEG 的生理信息与视频中的可观察行为线索进行情绪识别，提出统一框架 EVER（EEG–Video Emotion Recognition）。其核心贡献是以脑解剖先验组织 EEG 通道与脑区表征，再与全局 EEG、视频嵌入融合，并引入基于相关性的分布对齐损失以减小跨模态差异。 技术机制方面，EVER 使用 Brain anatomy-aware Inter-modal Hierarchical Graph Convolution Network（BIH-GCN），在解剖先验引导下将 EEG 通道特征聚合为脑区级表征；这些表征与全局 EEG 和视频嵌入共同构成情绪分类表示。摘要未说明图的构建方式、脑区划分、视频编码器、模态间交互细节或对齐损失的具体数学形式，因此尚不能判断结构先验与分布对齐各自贡献多少。 评估覆盖三个公开 EEG–视频配对数据集 Emognition、MDMER 和 EAV。作者报告评估了 12 个代表模型，包括 5 个 EEG-only、5 个 video-only 和 2 个 audio-video 模型，并在 EEG、视频及 EEG–视频设置下报告性能；各模型如何适配这些设置尚未验证。作者报告 EVER 达到领先性能，并认为联合建模能够识别单一模态难以捕捉的情绪模式，但摘要未提供具体指标、数值、数据划分或统计不确定性，不能据此量化融合收益，也不能确认被试内、跨被试或跨会话泛化能力。 复现时需核对 EEG 与视频的时间同步、通道到脑区的映射、配对样本及情绪标签的构建、训练与测试划分，以及不同模态对照的输入和训练条件。区分脑区聚合、全局表征融合与对齐损失的作用，是验证机制贡献的关键；实验协议、消融及统计信息尚未验证。该研究直接面向 EEG–视频情绪识别，其结果不应自动等同于在线 BCI 的有效性。

作者：

JangHyun Kim; Seongro Yoon; Temo Saghinadze; Aowen Shi; Mingyun Jeong; Donghyeon Cho; Jinsun Park; Francois Bremond

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

hga7TjP3uD

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。该研究面向长上下文建模，试图同时解决 Mamba-family State Space Models（SSMs）的远距离信息遗忘，以及外部知识接入成本高、内外记忆整合不足的问题。作者提出 Plastic Unified Memory Network（PUM-Net），将动态内部记忆与静态、预编码外部知识纳入统一双记忆架构并联合预训练。 核心机制方面，作者将长期遗忘归因于线性递归动态中的指数衰减核，并借鉴 Native Sparse Attention（NSA）的内部块记忆思路，为 Mamba 引入分块内部长期记忆，以改善超出训练序列长度范围后的远距离上下文检索。在此基础上，PUM-Net 允许外部记忆在训练期间调整内部状态，实现双向交互，而不通过追加检索文档来增加序列长度。摘要未说明联想检索、记忆更新、外部知识编码及联合训练损失的具体实现；作者关于“首次”实现此类联合预训练的表述亦需文献核对。 作者报告在具有挑战性的长程基准上取得显著改进，但摘要未提供基准名称、评价指标、数值、序列长度或对照配置，因此无法判断改进幅度与适用边界。实验协议、消融及统计信息尚未验证；复现还需核对外部知识库规模、编码成本、训练与推理资源，以及内部记忆和外部记忆各自的贡献。 平台推测（待验证）：其可迁移机制假设是用分块记忆保留长时程 EEG 信息，并用预编码记忆提供辅助表征，而非直接移植语言领域的外部知识。可复用候选是记忆检索与状态交互模块，需改造 EEG 编码和外部记忆构建方式；低信噪比、通道差异、跨被试分布变化及小数据条件可能使检索返回不匹配模式。一个可证伪的小实验是在固定 Cross-subject 划分下，仅用训练被试构建外部记忆，对比基础 SSM、仅内部记忆和双记忆版本，并同时记录任务指标与计算开销。该假设不代表已证实的 BCI 效果，已有 EEG 相关工作尚未检索确认。

作者：

Yuchen Liu; Yinghao Zhang; Deshu Chen; Hongwei Zhang; Yichi Zhang; Zhijian Zhou; Xin Guo; Yuan Cheng; Chao Qu; Yuan Qi

机构：

尚未验证

发表平台：

ICLR 2026 Conference Withdrawn Submission

标识：

15KpLriUTU

学术质量 71 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-01-28 · 已撤回

基于摘要分析。该研究针对复杂运动序列解码中状态级时序信息建模不足的问题，提出 StateEnsemble：显式建模神经状态转换过程，并据此进行状态依赖的神经解码。研究对象是人类手写任务中的运动皮层皮层内神经信号，而非 EEG。 核心机制：研究依据是复杂运动序列可由神经状态链编码，每个状态对应一个运动片段。StateEnsemble 将这一状态转换过程纳入动态解码模型，以利用运动片段之间的状态级顺序关系。摘要未说明状态如何定义或识别、转换过程如何参数化，以及状态与解码模块如何耦合；不能仅凭名称将其等同于某种特定状态空间模型或集成架构。 评估与结果：作者使用人类手写任务期间记录的运动皮层皮层内神经信号进行评估。作者报告，模型能够捕捉手写过程中潜在的神经状态转换模式，并显著改善解码表现；但摘要未给出具体指标、提升幅度、对照方法、被试数或数据划分，因而尚不能判断其被试内、跨被试或跨会话泛化能力。实验协议、消融及统计信息尚未验证。 阅读与复现重点：需核对状态链的构建方式、训练与推理所需的监督信息、对运动片段边界的依赖，以及性能改善是否来自状态转换建模。模型结构、损失函数、数据与代码可用性均尚未验证。作者提出该方法可能惠及多种神经解码任务，但摘要中的实证范围仅限上述手写场景，不应据此认定其已在其他 BCI 任务或 EEG 信号上有效。

作者：

Jie Yu; Lei Wang; Yueming Wang; Yu Qi

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

U3RZZSLv1l

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-to-fMRI 转换通常需为不同脑区分别训练模型、且对被试层面脑动态差异考虑有限的问题，提出统一模型 UniEFS，旨在单一模型中从 EEG 重建全脑 fMRI，并适应不同人口学与生理背景的数据。其主要研究对象是跨模态脑活动合成，而非直接验证 BCI 控制或解码性能。 核心机制是利用预训练 fMRI 解码器引入空间先验，并通过 condition-aware prompt tokens 编码被试层面及实验元数据，以处理异质数据集。相较于摘要所述的逐脑区建模路线，方法的重点是统一全脑输出与上下文条件化；解码器预训练数据、EEG 表征方式、跨模态对齐机制、损失函数及训练流程尚未验证。 作者报告，在闭眼静息态数据上进行了广泛评估，模型能够可靠重建具有时间分辨率的全脑 fMRI 活动；作者同时认为其具备零样本泛化至任务态 fMRI 的潜力。摘要未提供定量指标、数据集名称、被试数量、划分方式或对照结果，因此不能判断该结论对应被试内、跨被试、跨会话还是跨数据集协议，也不能将任务态泛化潜力视为已确证效果。实验协议、消融及统计信息尚未验证。 复现时应核对 EEG 与 fMRI 的采集及时间对齐方式、元数据在训练和推理阶段的可用性、预训练解码器与评估数据的关系，以及重建指标如何区分空间结构和时间动态的恢复。还需核验条件提示 token 相对不使用元数据的对照收益，以及静息态到任务态的零样本评估定义。合成信号并不等同于直接测得的深部脑活动；其在自然场景 EEG 或 BCI 中的有效性不能由本摘要推定。

作者：

Yamin Li; Shiyu Wang; Chang Li; Ange Lou; Haatef Pourmotabbed; Sarah Goodale; Dario J. Englot; Daniel Moyer; Roza G Bayrak; Catie Chang

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

3bbYCFPjiG

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。研究面向双时相卫星影像的城市变化检测与描述生成，将 SemanticGraphCD、时空 State Space Model（SSM）和不确定性估计组成一体化流程，旨在识别有意义的城市变化、生成描述并评估描述可靠性。 SemanticGraphCD 将图神经网络与任务无关语义学习结合，自适应切换 GNN 特征传播和卷积操作，通过双时相一致性约束学习语义表示，以区分基础设施、土地利用变化与一般时相差异。描述模块包含 Spatial Difference-aware SSM（SD-SSM）与 Temporal Traversing SSM（TT-SSM）：前者针对空间差异建模，后者以时相交叉方式扫描双时相特征。卷积聚焦模块融合变化掩码与双时相影像，引导 SSM 隐状态表达变化信息。作者称该设计具有线性计算扩展特性，但复杂度对应的输入维度及实际运行开销尚未验证。 Semantic-Weighted Sentence Entropy（SWSE）对领域相关词汇赋予比功能词更高的权重，用于估计描述的不确定性。作者报告，在摘要所述变化描述评估中，其方法较已有 SSM 提升描述生成表现，且 SWSE 与描述质量相关、能够提供可靠的不确定性估计；摘要未提供数据集、划分协议、基线名称、指标或数值。实验协议、消融及统计信息尚未验证，尤其需核对词汇权重的确定方式，以及质量相关性是否伴随良好的不确定性校准。 平台推测（待验证）：其可迁移机制主要是变化区域引导的序列建模，以及对任务相关输出赋权的不确定性估计，而非直接复用卫星影像模型。假设应用于 EEG 状态变化识别，需要将图结构和变化掩码改造为通道关系与时段变化提示；原任务依赖双时相影像、变化掩码和描述输出，具体监督来源及训练规模尚未验证。EEG 的低信噪比、跨被试差异、通道变化和小数据条件可能使变化提示放大伪迹；SWSE 也不能直接等同于分类置信度。可在固定 Cross-subject 划分下比较基础 SSM 与加入变化提示的 SSM，同时检查识别指标和置信度校准，以检验这一迁移假设。已有 EEG 相关工作尚未检索确认。

作者：

Siraj TM; Reji J; Raji Susan Mathew

机构：

尚未验证

发表平台：

ICLR 2026 Conference Withdrawn Submission

标识：

W2UHin1T0R

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 · 2025-11-30 · 已撤回

基于摘要分析。研究针对自然情境 BCI 中语义解码方法通常依赖单一刺激模态的问题，提出 Semantic-Guided Contrastive Learning（Semantic-CL），旨在不修改架构的情况下适用于听觉与视觉 EEG 语义解码。 核心机制包括两部分：其一，使用刺激之间的语义相似度度量，引导软对比学习中的 EEG 表征对齐；其二，引入被试间对比对齐，以协调不同被试的神经表征。阅读重点在于语义关系约束与被试差异校正如何协同作用，而非仅对单一模态设计专用解码结构。摘要未提供语义相似度的计算来源、软对比损失的具体形式、表征编码器及训练与推理流程，这些细节尚未验证。 作者在动态视频基准 SEED-DV 与自然语音基准 Broderick 上评估该框架，并报告语义解码性能达到当前最优，尤其在跨被试设置中表现突出。摘要未给出具体指标、数值、被试规模、数据划分及对照基线，因而目前不能量化提升幅度或判断不同协议下的可比性。在两个模态不同的基准上使用同一架构，也不等同于已证明跨模态迁移或跨数据集泛化。 复现时应核对语义信息在训练与测试中的使用方式、跨被试划分、各数据集的解码目标，以及语义引导与被试间对齐各自的贡献。作者提供了匿名代码链接，但代码完整性与可运行性尚未验证；实验协议、消融及统计信息尚未验证。摘要将该框架定位为支持自然情境下可部署 BCI 的方法，但实际部署表现仍需进一步证据。

作者：

Jiahao Fan; Zongsheng Li; Benxiang Xiao; Qingzhu Zhang; Xinke Shen; Quanying Liu

机构：

尚未验证

发表平台：

ICLR 2026 Conference Desk Rejected Submission

标识：

aqf6rGTBHy

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 · 2026-02-12 · 预印本

基于摘要分析。该研究面向 EEG 的事件检测与状态分类，提出大型 EEG-U-Transformer：通过 U 形架构结合卷积与自注意力，开展序列到序列建模，直接输出时间步级预测，并可扩展至窗口级分类。核心贡献是将时间步级检测与无需大规模预训练的模型扩展结合，而非先进行窗口分类再依赖重叠推理及后处理获得事件结果。 机制方面，作者以 EEG 事件的多尺度特性为设计依据，利用卷积和自注意力模块捕获局部与全局特征；窗口级分类则通过加入 attention-pooling 层实现。摘要未提供具体网络层数、参数规模、时间分辨率、损失函数及训练配置，因此尚不能判断时间步标签如何构建、不同尺度特征如何融合，或模型扩展的实际计算代价。 作者报告，该方法在所评估的时间步级与窗口级分类任务中表现出效率改善、Cross-subject 泛化能力及达到 state-of-the-art 的性能。作者还报告，模型可扩展至与既有大型基础模型相当的规模，且仅使用下游微调数据集训练即可超越那些经过多数据集预训练的模型。摘要未列明数据集、被试数量、数据划分、对照模型、指标与具体数值，上述优势尚不能据此量化，也不能视为跨协议的直接比较。 复现时应重点核对时间步级标注与事件评价规则、Cross-subject 划分、窗口级与时间步级方法的对齐方式，以及推理效率是否计入后处理成本。大模型比较还需核对下游训练数据、参数规模与计算预算是否可比。实验协议、消融及统计信息尚未验证，全文与实现条件仍待核对。

作者：

Kerui Wu; Ziyue Zhao; Bulent Yener

机构：

尚未验证

发表平台：

ICLR 2026 Conference Withdrawn Submission

标识：

U54w0g2lvy

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 · 2025-12-04 · 已撤回

基于摘要分析。该研究针对 EEG 的非线性、非平稳动态及跨数据集通道不匹配问题，提出 Brain Signal Rendering（BSR），将 EEG 表征学习重新表述为渲染问题；再通过 EEG Consolidation 整合异构 EEG 视频数据进行统一多任务训练，支持将每位被试视为独立任务的少样本适应。 核心机制是把 EEG 频谱图转换为空间化、动态的“EEG 视频”。作者称，这种表征能够在保留神经拓扑的同时，对电极布局及采样协议保持不变。摘要未说明空间映射、拓扑保留及采样差异处理的具体实现，因此尚不能判断这种不变性的适用范围，也不能将其等同于已验证的任意通道配置兼容性。 EEG Consolidation 的定位是统一多任务训练：利用异构 EEG 视频数据，使模型适应 EEG 特有动态。作者报告该训练范式可提高数据效率、减少过拟合并增强跨任务泛化，但摘要未提供模型架构、损失函数、任务组合或训练规模。被试级少样本学习强调每位被试均需用少量数据完成任务适应；其训练与测试被试划分、适应数据是否带标签及评估样本隔离方式尚未验证，不能直接等同于某一既定的跨被试协议。 作者报告，在所提出的被试级少样本评估设置下取得显著性能增益，并将其定位为迈向脑信号基础模型的可扩展、可解释框架。摘要未列出数据集、被试数量、少样本数量、对照基线或具体指标，因而无法核对增益大小及适用任务。实验协议、消融及统计信息尚未验证。 复现时值得优先核对渲染过程是否保留任务相关时频信息，以及统一表征和多任务训练各自贡献多少收益；还需确认不同电极布局与采样协议的测试覆盖范围。代码、预训练权重和复现所需资源是否可用，摘要未说明。

作者：

Wei Wang; Yifan Li; Wanying Qu; Yawei Li; Quanying Liu; Yanwei Fu

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

khG2nJfycZ

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。本文研究从 EEG 与 fMRI 多模态数据中学习脑有效连接（EC），即脑区间具有方向性的因果交互关系，提出 STBO-EC 框架，将空间结构对齐、时间分辨率对齐和低秩参数化贝叶斯优化结合起来。主要研究对象是多模态脑有效连接网络，而非直接用于 BCI 的任务解码。 技术机制上，STBO-EC 首先利用已知脑区坐标进行解剖信息引导的空间对齐，在 EEG 电极与 fMRI 脑区之间建立结构一致的对应关系；随后采用基于时间切片的对齐与融合机制，衔接快速 EEG 活动与较慢 fMRI 信号的时间分辨率差异；最后使用低秩参数化贝叶斯优化方法 DrBO，处理融合数据的高维性与非线性依赖，探索随规模呈指数增长的 EC 搜索空间，并提供考虑不确定性的推断。摘要将其与特征拼接或线性映射思路作对比，强调结构一致性与非线性跨模态动态，但具体参数化、优化目标及不确定性计算方式尚未验证。 作者报告，在两个真实 EEG–fMRI 数据集上，STBO-EC 在多项评价指标中持续优于作者称为当前最先进的基线。摘要未提供数据集名称、被试数量、数据划分、指标名称或具体数值，因此尚不能判断优势幅度、跨被试泛化能力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。 复现与证据核对的重点包括：EEG 电极与 fMRI 脑区对应关系如何构建，时间切片如何设定，EC 的参考标准及方向性评价依据是什么，以及 DrBO 的搜索预算和比较基线是否采用一致条件。摘要中的空间对应不应直接等同于 EEG 源定位，学习所得有向连接也不能仅凭性能表述视为已验证的真实因果关系。当前材料尚不足以确认代码、数据可获取性或其对 BCI 解码任务的实际收益。

作者：

Zhihao Su; Junzhong Ji; Minqi Yu; Wen Xiong; Jinduo Liu

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

81iTOKJbzZ

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