BCI 科研雷达

基于摘要分析。本文研究 EEG 机器学习中训练样本量与参与者多样性如何影响模型性能扩展，重点区分将记录切成更多片段与增加不同参与者这两种数据增长方式。作者将这一过程概念化为多层级数据生成过程，并通过大规模实证研究考察性能随总体样本量和参与者多样性的变化。 核心思路是：EEG 片段数量可以远多于原始记录或参与者数量，因此片段层面的样本增长不能直接等同于参与者层面的多样性增长。该框架同时用于分析数据增强与自监督学习这两类应对有限数据的策略；具体增强操作、自监督目标、模型结构及训练流程尚未验证。 作者报告，在其摘要所述的实证研究中，参与者分布偏移可能严重限制模型性能随数据规模增长的改善。摘要未提供数据集、任务、参与者数量、性能指标或具体划分，因而目前无法判断结论适用于哪些被试内、跨被试或跨数据集评估条件，也不能量化两类策略的收益或直接比较其优劣。实验协议、消融及统计信息尚未验证。 其阅读价值在于为 EEG 数据采集与模型评估提供一个明确的分析视角：应分别核对参与者数量、参与者分布及片段数量，而不只报告总样本数。具体的数据采集建议及适用边界仍需阅读正文确认。作者称实验代码已公开，但摘要未给出代码地址，代码可访问性、运行环境与完整复现条件尚未验证。该研究直接面向 EEG 机器学习，但摘要未明确具体 BCI 任务，不能据此视为已验证的 BCI 性能改进。

作者：

Philipp Bomatter; Henry Gouk

机构：

尚未验证

发表平台：

NeurIPS 2025 poster

标识：

cWn3RXJQ7G

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 · 2026-07-09 · 已接收

基于摘要分析。本文研究动态图中随时间演化的关系与节点信息，将动态图建模转化为长程序列建模问题，提出 DyG-Mamba，以状态空间模型处理长期依赖和不规则事件间隔。原研究对象是动态图，摘要提及社会推荐与癌细胞早期检测作为应用背景，并非 EEG/BCI 验证。 核心机制包含两部分：受 Ebbinghaus 遗忘曲线启发，将事件之间不规则的时间跨度作为控制信号，动态调整历史信息的遗忘；受其复习周期启发，重新定义核心参数，使模型选择性回顾历史信息并过滤噪声输入。作者认为这些机制能够改善时间间隔利用、归纳能力与鲁棒性，但摘要未提供参数定义、状态更新公式、训练损失及具体推理流程，尚不能确定各机制的实现与独立贡献。 作者报告，在覆盖动态链接预测和节点分类任务的 12 个数据集上，DyG-Mamba 在多数数据集取得最先进性能，并显著改善计算与内存效率。摘要未列出数据集名称、划分协议、对照方法、指标数值或效率测量条件，因此这些结论仍需结合正文核对；实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，复现仍需确认数据处理、配置与运行环境。 平台推测（待验证）：若 EEG 任务被明确表示为带时间戳的动态通道关系或稀疏事件图，其时间间隔控制遗忘机制可能对应非平稳依赖与历史噪声累积问题。可复用的是时间控制状态更新思路，需要改造的是 EEG 图构建、事件定义与任务监督；该方法依赖怎样的事件结构、标签与数据规模，摘要尚不明确。连续等间隔 EEG 可能无法直接受益，低信噪比造成的伪事件、跨被试关系差异和小数据训练也可能使机制失效。一个可检验的小实验是在固定数据划分、图构建与训练预算下，对比真实事件间隔、固定间隔和打乱间隔，检验时间控制是否带来稳定增益。已有 EEG 相关工作尚未检索确认。

作者：

Dongyuan Li; Shiyin Tan; Ying Zhang; Ming Jin; Shirui Pan; Manabu Okumura; Renhe Jiang

机构：

尚未验证

发表平台：

NeurIPS 2025 poster

标识：

ja2wA4UncJ

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 · 2026-07-09 · 已接收

基于摘要分析。该研究针对航空翼型几何生成中表达能力与分辨率适应性之间的权衡，提出函数空间生成模型 FuncGenFoil，直接将翼型几何重建为函数曲线。研究对象是空气动力学形状设计，而非神经信号建模或 BCI。 核心思路是以函数曲线替代预定义参数表示（如 Bézier curves）或离散点集。作者认为，这种表示能够结合参数函数的任意分辨率采样、平滑性与离散点表示的较强表达能力。摘要未说明具体函数参数化、生成模型结构、损失函数、训练与推理流程；虽然标题包含编辑任务，但编辑条件、控制接口及评估方式尚未验证。来源栏目中的 State space models 不能据此作为模型采用状态空间架构的证据。 作者报告，在 AF-200K 数据集的翼型生成评估中，相较所比较的先进方法，label error 相对降低 74.4%，diversity 提高 23.2%。摘要未给出这些指标的定义、绝对值、具体对照方法、数据划分或统计不确定性，因此上述数值只能作为该摘要所述评估背景下的作者报告，不能扩大为其他任务或协议下的效果。 阅读全文时需核对函数表示如何支持高保真几何生成、不同采样分辨率下的稳定性，以及生成和编辑性能的具体验证方式。实验协议、消融及统计信息尚未验证。现有材料未建立从翼型曲线生成到 EEG/BCI 的具体机制对应，不据此提出神经信号迁移方案；相关 EEG 工作尚未检索确认。

作者：

Jinouwen Zhang; Junjie Ren; Qianhong Ma; Jianyu Wu; Aobo Yang; Yan Lu; Lu Chen; Hairun Xie; Jing Wang; Miao Zhang; Wanli Ouyang; SHIXIANG TANG

机构：

尚未验证

发表平台：

NeurIPS 2025 poster

标识：

yXitkQJmpj

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 · 2026-07-09 · 已接收

基于摘要分析。本文研究扩散模型用于自监督表征学习时，特征质量为何在中间噪声水平达到峰值，即沿噪声尺度呈现单峰动态。其主要贡献是借助图像数据的内在低维结构解释这一现象，并考察表征动态与模型泛化及训练数据记忆之间的关系。 机制方面，作者报告：在模型成功捕捉底层数据分布的条件下，理论分析可得到单峰动态，其来源是不同噪声尺度下去噪强度与类别置信度之间的相互作用。这里的“单峰”指特征质量随噪声水平变化的曲线形态，并非数据分布只有一个模态。摘要未给出低维模型的具体假设、类别置信度定义或理论结论的适用边界，尚不能据此确定最佳特征提取层或噪声尺度。 实证方面，作者报告：在分类任务中，当扩散模型能够生成新图像时，表征质量呈单峰动态；随着模型开始记忆训练数据，该曲线逐渐转为单调下降。作者据此将单峰动态视为泛化能力的反映，但摘要未提供数据集、分类评估方式、生成新颖性及记忆的判定标准、对照基线或定量结果；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 的任务相关信号具有可利用的低维结构，这一分析框架可能帮助研究扩散式自监督表征在不同噪声尺度下保留判别信息的情况，而非直接构成新的 BCI 解码算法。可复用的是噪声尺度与特征质量的分析思路；需改造的是面向时序、多通道信号的噪声建模及表征评估。低信噪比、被试与通道差异、小数据条件可能使峰值主要反映噪声抑制或被试特征，而非任务信息。一个可检验的小实验是在固定 EEG 数据划分与分类探针条件下，比较不同训练阶段的噪声尺度—分类表现曲线，并独立评估训练数据记忆，检验单峰形态是否与泛化同步变化。已有 EEG 相关工作尚未检索确认。

作者：

Xiao Li; Zekai Zhang; Xiang Li; Siyi Chen; Zhihui Zhu; Peng Wang; Qing Qu

机构：

尚未验证

发表平台：

NeurIPS 2025 poster

标识：

BE6QmLdJqY

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 · 2026-07-09 · 已接收

基于摘要分析。该研究面向 EEG 听觉注意检测（AAD），旨在兼顾互补特征学习与能效约束，以支持神经信号引导的助听设备。作者提出 S²M-Former，通过空间与频率并行分支的对称脉冲架构，以及轻量一维 token 序列，降低模型计算负担并维持解码性能。 核心机制是采用具有镜像模块设计的空间分支和频率分支，并利用作者称为具有生物合理性的 token-channel mixers 促进两类特征的互补学习。模型以轻量一维 token 序列替代传统三维操作，并采用脉冲计算架构。摘要未提供空间与频率特征的构建方式、分支交互细节、脉冲编码、损失函数或训练与推理设置，这些内容尚未验证。 作者报告，在 KUL、DTU 和 AV-GC-AAD 三个 AAD 基准上，使用 within-trial（试次内）、cross-trial（跨试次）和 cross-subject（跨被试）三种设置进行评估，获得与现有 SOTA 相当的解码 Accuracy；摘要未给出各数据集、协议对应的具体数值。作者还报告，相对于所述传统三维操作，参数量降低 14.7 倍；相对于近期 ANN 方法，能耗降低 5.8 倍，并在参数效率和性能方面优于现有 SNN 基线。这些倍率的具体对照模型、输入配置、统计口径和能耗估算或实测条件尚未验证，不能据此直接推断实际助听设备上的续航收益。 复现时应优先核对三种评估协议的数据划分、被试规模、解码时间窗，以及不同基线的输入与计算配置；同时检查双分支互补性、一维 token 替代和脉冲计算各自的贡献。作者提供了代码链接，但代码可用性、运行环境与实验一致性尚未验证；实验协议、消融及统计信息仍需结合全文确认。

作者：

Jiaqi Wang; Zhengyu Ma; Xiongri Shen; Chenlin Zhou; Leilei Zhao; Han Zhang; Yi Zhong; Siqi Cai; Zhenxi Song; Zhiguo Zhang

机构：

尚未验证

发表平台：

NeurIPS 2025 poster

标识：

WtMuGdHvh6

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 · 2026-07-09 · 已接收

基于摘要分析。该研究针对视觉状态空间模型（SSMs）将图像块按人工设计的路径展平为序列时，可能破坏语义空间邻接关系、难以适应复杂图像结构的问题，提出 Dynamic Adaptive Scan（DAS），并据此构建视觉骨干 DAMamba。其核心贡献是以数据驱动方式自适应分配扫描顺序与区域，而非依赖固定的局部或全局扫描路径。 机制与结果：作者称 DAS 在增强建模灵活性的同时，保持线性计算复杂度与全局建模能力。作者报告，DAMamba 在图像分类、目标检测、实例分割和语义分割任务中优于多种常用视觉 Mamba 模型，并超过部分近期先进 CNNs 与 ViTs。摘要未给出对应数据集、数据划分、基线配置或具体指标，因此不能量化提升或确认不同模型间的比较条件。扫描分配的实现、训练监督、损失、复杂度计算口径，以及实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 DAS 能在 EEG 通道拓扑或时频表示上学习有意义的遍历顺序，它可能缓解固定序列化方式对空间关系的扭曲；但图像块的二维邻接与 EEG 电极布局及信号相关性并不等价。可考虑复用自适应扫描思路，需改造输入表示、位置关系和扫描约束。其所需训练规模及监督条件尚未验证；低信噪比、小数据、跨被试差异和通道布局变化可能导致扫描策略不稳定或过拟合。 一个可证伪的小实验是：在同一 EEG 任务、固定数据划分与训练预算下，对比固定扫描和 DAS，使用相同骨干与预处理，分别评估被试内和跨被试表现，并观察通道扰动后的性能与扫描稳定性。这仅是迁移假设，不是已验证的 BCI 结果；已有 EEG 相关工作尚未检索确认。复现仍需全文中的扫描算法、训练配置和实现细节。

作者：

Tanzhe Li; Caoshuo Li; Jiayi Lyu; Hongjuan Pei; Baochang Zhang; Taisong Jin; Rongrong Ji

机构：

尚未验证

发表平台：

NeurIPS 2025 poster

标识：

KYFTBpKIOr

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 · 2026-07-09 · 已接收

基于摘要分析。该研究针对检索系统中独立训练或更新后的模型表征不兼容问题，提出 λ-Orthogonality 正则化：在学习仿射变换时施加放松的正交约束，使新模型的潜在空间能够适配旧模型及下游分布，同时尽量保留新模型学到的表征结构。 其机制着眼于两类映射的权衡：仿射变换具有分布适配能力，但可能显著改变原表征；正交变换保留原有几何结构，却受到严格约束、适配能力有限。作者通过放松正交约束连接二者。摘要未给出正则项的数学形式、λ 的定义与选取方式、映射训练所需的监督信号，以及基础模型是否冻结，均需核对正文。 作者报告，在多种架构和数据集上的实验中，该方法保留了模型的零样本性能，并实现模型更新之间的兼容性。摘要未提供具体数据集、划分、对照基线、指标或数值，因此尚不能量化兼容性收益与原表征性能之间的权衡；实验协议、消融及统计信息尚未验证。材料提供了代码仓库地址，但实现细节和复现条件尚未核验。 平台推测（待验证）：假设 EEG 编码器更新后仍需与既有特征库或分类器兼容，可尝试复用这一受约束的映射机制；但检索表征的几何结构不一定适用于 EEG。需核对方法是否依赖成对的新旧模型表征、标签或大规模适配数据，并改造输入与适配协议。低信噪比、跨被试漂移、通道配置变化及小样本可能使映射拟合不稳定，或使几何保持与任务判别性发生冲突。一个可证伪的小实验是：用同一批训练 EEG 构建新旧编码器的配对表征，在严格隔离的跨会话测试集上，对比无映射、仿射映射、正交映射与该正则化映射接入旧分类器后的 Accuracy，并同时检查新编码器自身任务性能是否下降。已有 EEG 相关工作尚未检索确认。

作者：

Simone Ricci; Niccolò Biondi; Federico Pernici; Ioannis Patras; Alberto Del Bimbo

机构：

尚未验证

发表平台：

NeurIPS 2025 poster

标识：

Due3iZPa6u

学术质量 72 / 100 · 兴趣权重 3 · 机制对应，EEG/BCI 效果尚未验证

• openreview · 元数据快照 · 2026-07-09 · 已接收

基于摘要分析。该研究面向大型神经网络的低秩适配模型合并：LoRA 降低了微调成本，但已有合并方法往往处理全尺寸权重矩阵，使合并阶段失去低秩表示的效率优势。作者提出 Core Space 合并框架，在共同对齐基中合并 LoRA 适配模型，旨在兼顾合并精度与计算效率。 核心机制是将不同适配模型的低秩更新置于共同对齐基中，再执行模型合并，而不是直接合并全尺寸权重。作者报告，论文给出了投影到 Core Space 不损失信息的形式化证明，以及说明效率收益的复杂度分析。摘要未提供对齐基的构造、投影与合并公式、证明假设或复杂度表达式，这些内容尚未验证；尤其需要区分表示的信息保留与合并后任务性能保证。 作者报告，该框架在视觉和语言任务中改善了已有合并技术，达到作者所称的最先进结果，并仅使用部分计算资源。摘要未列出模型、数据集、任务组合、对照基线、评价指标或资源测量方式，因此无法量化收益或判断跨设置可比性。实验协议、消融及统计信息尚未验证。材料提供了代码仓库，但实现完整性、运行配置及复现成本尚未核查。 平台推测（待验证）：若 EEG 基础模型已通过 LoRA 分别适配不同被试、会话或任务，该机制可能用于降低多个适配器的合并开销；这一假设依赖共享基础权重、兼容的适配层及可对齐的低秩更新，并不意味着原文已验证 BCI 效果。可复用的是低秩更新的对齐与合并机制，需重新评估 EEG 任务权重、输出头和通道差异。低信噪比、被试差异及小数据训练造成的更新不稳定，可能导致负迁移。一个可检验的小实验是在固定 EEG 基础模型与相同 LoRA 配置下，比较 Core Space 合并、全尺寸合并及单适配器，在预先固定的跨被试划分中同时记录任务指标、合并耗时与峰值内存。已有 EEG 相关工作尚未检索确认。

作者：

Aniello Panariello; Daniel Marczak; Simone Magistri; Angelo Porrello; Bartłomiej Twardowski; Andrew D. Bagdanov; Simone Calderara; Joost van de Weijer

机构：

尚未验证

发表平台：

NeurIPS 2025 poster

标识：

y1z7SAS8q8

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 · 2026-07-09 · 已接收

基于摘要分析。本文研究语言建模中如何高效扩展状态空间模型（SSMs）的表达能力，提出 Routing Mamba（RoM），以稀疏混合线性投影专家扩展 Mamba 参数规模，针对直接引入 Mixture-of-Experts（MoE）可能导致性能退化的问题提供一种结构化整合方法。 核心机制是使用稀疏的线性投影专家，并在投影层之间共享路由决策，同时在专家之间共享 Mamba 内部的轻量子模块，以利用投影专家之间的协同作用。摘要未提供具体路由算法、专家数量、激活策略、负载均衡损失或训练目标细节，这些实现条件尚未验证。 作者报告，在活跃参数为 1.3B、总参数为 10B、训练序列长度为 16K 的设置下，RoM 的语言建模表现相当于活跃参数需求超过其 2.3 倍的稠密 Mamba，并在不同上下文长度下保持一致的困惑度表现。作者还报告，在混合语言模型扩展实验中，相似性能下 RoM 相比稠密 Mamba 扩展节省 23% FLOPS。上述结果的具体数据集、数据划分、困惑度数值、上下文长度范围及计算量统计口径尚未验证，不能据此推断实际延迟或显存收益。摘要提供了训练代码库链接，但复现所需配置、权重与运行条件尚未核对；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其稀疏投影与共享路由机制可能用于长序列 EEG 编码，以条件激活专家降低扩大模型容量的计算成本；这是迁移假设，而非本文已验证的结果。原研究依赖语言序列与大规模模型训练，迁移时可复用投影专家及共享路由思路，但需改造 EEG 输入编码、通道组织与训练目标。低信噪比、跨被试差异及通道变化可能使路由依赖伪相关，小数据也可能导致专家利用不均或过拟合。一个可检验的小实验是在固定跨被试划分及相同 EEG 编码器输入下，对比稠密 Mamba 与 RoM 式稀疏投影模型，在匹配活跃计算预算时同时记录任务指标、专家利用率和实际延迟。已有 EEG 相关工作尚未检索确认。

作者：

Zheng Zhan; Liliang Ren; Shuohang Wang; Liyuan Liu; Yang Liu; Yeyun Gong; Yanzhi Wang; yelong shen

机构：

尚未验证

发表平台：

NeurIPS 2025 poster

标识：

lqywifxoo1

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 · 2026-07-09 · 已接收

GeoDynamics 针对脑功能连接动态的几何建模问题，将功能连接（FC）矩阵表示为对称正定（SPD）流形上的状态，通过流形感知的循环框架追踪潜在脑状态轨迹。其核心贡献是将状态空间模型（SSMs）的动态结构与黎曼几何结合，而非仅在欧氏空间中建模脑区活动或连接变化。以下基于摘要分析，未取得论文全文。 机制与创新：作者将各时间点的 FC 矩阵视为 SPD 矩阵，并提出在高维 SPD 流形上学习平滑、尊重几何结构的状态转移。研究重点由局部脑区关系转向整体连接网络的时序演化。摘要未给出状态与观测方程、流形映射、损失函数、训练或推理细节；FC 矩阵的构造方式及正定性保障也尚未验证。 验证与结果：作者报告，GeoDynamics 能揭示任务驱动的状态变化，以及 Alzheimer’s、Parkinson’s 和 autism 的早期标志；这些表述不能据此视为已确立的诊断性能或临床有效性。作者另报告在 UTKinect、Florence、HDM05 人体动作识别基准上进行验证，并据此主张模型具有跨领域扩展能力与鲁棒性。摘要未提供脑影像模态、数据集、被试规模、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。 平台推测（待验证）：假设将 EEG 通道协方差或适当构造的 SPD 连接矩阵作为时序输入，其几何状态转移模块可能用于建模跨时间窗的网络变化，但这不等于已验证的 EEG/BCI 效果。可复用部分是流形感知的序列建模框架；需改造部分包括 EEG 的矩阵估计、正定化、通道对齐及任务输出。低信噪比、短窗估计不稳定、跨被试差异、通道变化与小数据均可能削弱收益。一个可检验的小实验是在同一 EEG 任务和固定划分下，对比 SPD 几何转移与欧氏转移，保持输入及模型容量尽量一致，观察几何约束是否改善泛化与稳定性。相关 EEG 工作尚未检索确认。

作者：

Tingting Dan; Jiaqi Ding; Guorong Wu

机构：

尚未验证

发表平台：

NeurIPS 2025 poster

标识：

7WPi6VbtH0

学术质量 68 / 100 · 兴趣权重 3 · 机制对应，EEG/BCI 效果尚未验证

• openreview · 元数据快照 · 2026-07-09 · 已接收

基于摘要分析。该研究针对状态空间模型（SSMs）及 SSM–Transformer 混合架构的自回归生成效率，提出 STree，通过利用累积状态转移矩阵的结构，支持树状候选序列的推测解码与验证，并提供硬件感知实现。 推测解码借助硬件并行性，在一次前向计算中处理多个候选生成步骤。摘要指出，SSMs 通过状态汇总历史信息，避免像自回归 Transformer 那样缓存或重新处理滑动窗口中的 token，但现有 SSM 推测解码方法仍难以高效计算候选 token 树。STree 的核心是利用累积状态转移矩阵的结构，以相对现有 SSM 实现较小的额外开销进行树状验证。作者将其称为首个面向 SSMs 与混合架构的可扩展树状推测解码算法；这一优先性主张尚未独立核实。 作者报告，在三个未于摘要中具名的 benchmark 上，即使使用基线草拟模型与树结构，STree 仍优于普通 SSM 推测解码；其硬件感知实现也改善了将自回归 Transformer 树状推测解码方法直接用于 SSM 的朴素方案。摘要未提供具体速度指标、模型配置、硬件、批量大小、候选树规模或输出质量验证协议，因此无法量化收益或判断适用边界。实验协议、消融及统计信息尚未验证。材料提供了代码仓库，但代码完整性、依赖与复现条件尚未核验。 该工作的主要对象是自回归模型推理，而非 EEG 表征学习或 BCI 解码。平台推测（待验证）：若某个 BCI 系统采用 SSM 或混合架构进行多步自回归输出，树状验证机制可能具有推理优化价值，但其前提是存在可用的草拟模型、兼容的状态更新与足够的并行计算收益；不能据此推断其改善 EEG 解码准确率或实时延迟。已有 EEG 相关工作尚未检索确认。

作者：

Yangchao Wu; Zongyue Qin; Alex Wong; Stefano Soatto

机构：

尚未验证

发表平台：

NeurIPS 2025 poster

标识：

a95Vd41o1u

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 · 2026-07-09 · 已接收

基于摘要分析。CSBrain 面向通用 EEG 解码，针对现有 EEG 基础模型采用尺度无差别的密集建模、可能忽视神经活动跨尺度时空结构的问题，提出结合跨尺度时空分词与结构化稀疏注意力的基础模型。 核心机制包括两个交替堆叠的组件：Cross-scale Spatiotemporal Tokenization（CST）在局部时间窗口和解剖脑区内聚合多尺度特征，形成紧凑、具有尺度感知能力的 token 表征；Structured Sparse Attention（SSA）建模跨时间窗口与跨脑区的依赖。作者将 SSA 的作用描述为丰富尺度多样性并排除伪依赖，通过与 CST 交替堆叠逐步整合跨尺度时空关系。摘要未提供尺度设置、脑区划分、稀疏连接构造、训练目标或预训练流程，具体实现尚未验证。 作者报告，在覆盖 11 项代表性 EEG 任务、16 个数据集的实验中，CSBrain 持续优于任务专用模型及较强的基础模型基线。不过，摘要未列出任务与数据集名称、具体指标、增益幅度、基线配置及被试内、跨被试、跨会话或跨数据集划分，因此不能据此量化其优势，也不能将多任务评估直接等同于已验证的跨数据集泛化能力。 该工作的具体阅读价值在于，将 EEG 的时间尺度差异和空间组织直接纳入表征与依赖建模，而不是仅扩大统一密集架构。复现时需核对 CST 与 SSA 的独立贡献、脑区映射及通道配置要求、预训练与下游评估的数据隔离，以及计算成本。实验协议、消融及统计信息尚未验证；模型权重、代码和完整复现条件也无法由当前摘要确认。

作者：

Yuchen Zhou; Jiamin Wu; Zichen Ren; Zhouheng Yao; Weiheng Lu; Kunyu Peng; Qihao Zheng; Chunfeng Song; Wanli Ouyang; Chao Gou

机构：

尚未验证

发表平台：

NeurIPS 2025 spotlight

标识：

agcXjEHmyW

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 · 2026-07-09 · 已接收

基于摘要分析。NeurIPT 针对 EEG 解码中的跨被试、跨任务、跨条件差异及电极配置不一致问题，提出面向 EEG 神经接口的预训练 Transformer 基础模型，结合时间表征学习与空间结构建模，以支持多样化下游 BCI 任务。 时间建模方面，Amplitude-Aware Masked Pretraining（AAMP）依据信号幅度选择掩码，而非采用随机时间区间掩码；作者意图是使模型学习适应不同信号强度的表征，减少对局部插值的依赖。模型还采用渐进式 Mixture-of-Experts（MoE），在更深层逐步引入专门化专家子网络，以适应 EEG 时间特征的多样性。摘要未提供幅度选择规则、掩码比例、预训练目标或专家路由细节，这些实现条件尚未验证。 空间建模方面，NeurIPT 使用电极的三维物理坐标，以支持不同 EEG 记录配置间的迁移，并在微调阶段引入 Intra-Inter Lobe Pooling（IILP），利用脑区层面的特征。其空间贡献需要通过正文核对坐标编码、脑区划分及池化方式，并确认不同通道数量、布局和缺失通道条件下的适用范围。 作者报告，在九个下游 BCI 数据集上，通过微调和从头训练两类评估，NeurIPT 持续取得最先进性能。摘要未列出数据集名称、任务、被试数、指标、具体分数及对照基线，也未明确被试内、跨被试或跨会话划分，因此不能据此量化收益，或将其泛化主张直接解释为特定协议下的已验证结果。 复现时需核对预训练数据及其与下游数据的关系、评估划分、基线训练条件，以及 AAMP、渐进式 MoE、电极坐标和 IILP 的独立贡献。实验协议、消融及统计信息尚未验证；代码、权重与完整训练配置的可获得性也尚未确认。

作者：

Zitao Fang; CHENXUAN LI; Zhou Hongting; Shuyang Yu; Guodong DU; Ashwaq Qasem; Yang Lu; Jing Li; Junsong Zhang; Sim Kuan Goh

机构：

尚未验证

发表平台：

NeurIPS 2025 poster

标识：

D4hcJPkJ3y

学术质量 76 / 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 · 2026-07-09 · 已接收

基于摘要分析。该研究针对事件相机的物体与动作识别：既有方法通常按固定时间间隔或频率采样并转换事件表示，对事件序列长度及推理时间频率变化的适应能力受限。作者提出 PASS，利用状态空间模型（SSMs）处理高时间分辨率事件，并通过自适应编码增强时空建模与频率泛化能力。 核心机制包括 Path-selective Event Aggregation and Scan（PEAS）模块，通过自适应扫描与选择聚合后的事件表示，将事件编码为固定维度特征；Multi-faceted Selection Guiding（MSG）损失用于减少 PEAS 选择过程中编码特征的随机性与冗余。摘要以 SSMs 的线性复杂度及输入频率泛化能力作为设计依据，但具体扫描路径、选择规则、损失形式及训练流程尚未验证。 作者报告，PASS 在五个公开数据集上优于此前方法，并在推理时间频率变化时呈现较小的准确率下降，原文标为 PASS −8.62%、基线 −20.69%。摘要未说明这些数值是相对变化还是百分点差，也未提供数据集名称、基线身份、频率范围及划分协议，不能据此进行跨协议比较。作者还报告模型可处理更广的事件长度分布（原文为 1–10^9），具有精细时间感知及真实场景泛化能力；该长度的计量定义与实验条件尚未验证。实验协议、消融及统计信息尚未验证。作者表示代码与检查点将在论文被接收后发布，这不表示已经接收或资源已经公开。 平台推测（待验证）：其可迁移机制可能对应 EEG 中时间采样密度变化与长序列计算开销问题，但事件相机的异步稀疏事件结构不同于通常连续采样的 EEG。假设路径选择能够保留任务相关时间信息，可探索复用 SSM 与选择约束，并改造 EEG 分段、通道组织及输入编码；低信噪比、跨被试差异、通道变化和小数据训练可能使选择模块丢弃弱而关键的信号。可在同一 EEG 数据集的固定被试内划分上，以训练集确定预处理和选择规则，比较固定分段与自适应选择在不同重采样率下的 Accuracy 变化及计算开销；这仅是可证伪的迁移假设，已有 EEG 相关工作尚未检索确认。

作者：

Jiazhou Zhou; Kanghao Chen; Lei Zhang; Lin Wang

机构：

尚未验证

发表平台：

NeurIPS 2025 poster

标识：

TlYLJFTTX7

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 · 2026-07-09 · 已接收

基于摘要分析。该研究针对 EEG 视觉重建中跨被试泛化较弱、模型受限于特定视觉任务的问题，提出统一框架 NEED，目标是在零样本条件下实现跨被试及跨任务的视频与图像重建。作者声称这是首个实现上述能力的统一框架，但其首次性尚未独立核实。 机制上，NEED 包含三个部分：Individual Adaptation Module 在多个 EEG 数据集上预训练，用于归一化被试特异性模式；双路径架构分别捕获低层视觉动态与高层语义，以应对 EEG 空间分辨率有限及时间动态复杂的问题；统一推理机制用于适配不同视觉领域。摘要未提供各模块的具体结构、训练目标、预训练数据组成及重建流程，因而不能进一步判断适配与生成模块如何衔接。 结果方面，作者报告 NEED 的视频重建表现优于现有方法，但摘要未列明基线和对应指标。在泛化至未见被试时，作者报告模型保留了被试内分类性能的 93.7%，以及被试内视觉重建质量的 92.4%；这些数值是相对于被试内表现的保留比例，不是绝对 Accuracy 或重建得分，摘要也未说明其具体指标与计算方式。在不微调、直接迁移至静态图像重建的跨任务设置下，作者报告 SSIM 为 0.352，尚需结合数据集、划分及对照结果解释。 复现与证据核对重点包括：多数据集预训练与未见被试评估之间的划分关系；零样本条件是否允许任何目标被试数据参与适配；视频到静态图像迁移的任务与刺激划分；分类性能和重建质量的定义；各模块的独立贡献。数据集名称、被试数量、实验协议、消融及统计信息尚未验证，代码与模型权重的可获得性也尚未验证。现有摘要支持将其视为 EEG 视觉解码泛化方案，不能据此推断其已具备通用 BCI 有效性。

作者：

Shuai Huang; Huan Luo; Haodong Jing; Qixian Zhang; Litao Chang; Yating Feng; Xiao Lin; Chendong Qin; Han Chen; Shuwen Jia; Siyi Sun; Yongxiong Wang

机构：

尚未验证

发表平台：

NeurIPS 2025 poster

标识：

L3aEdxJMHl

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 · 2026-07-09 · 已接收

基于摘要分析。本文研究对角状态空间模型（SSM）的初始化如何影响频率表征与学习偏置，并据此提出离散 Fourier 域初始化方法 S4D-DFouT；主要研究对象是通用长序列建模，而非 EEG 或 BCI。 现有 SSM 参数初始化主要依赖 HiPPO framework，其基础是正交多项式的在线近似。摘要指出，对角替代方案通过简化核计算提高效率，同时可达到相近性能，但 HiPPO framework 未显式研究这些对角变体的作用。本文从频率视角考察对角 SSM 的参数化与初始化，重点关注初始化时的极点配置及其所对应的学习偏置。S4D-DFouT 的具体参数构造、离散化方式、训练目标与计算开销尚未验证。 作者报告，基于极点配置的分析可进一步扩展模型，在 Long Range Arena benchmark 上取得 state-of-the-art 结果，并支持在 PathX-256 等大规模数据集上从头训练。摘要未提供具体分数、数据划分、对照基线或训练预算，因此不能量化其收益，也不能判断不同任务上的优势是否一致；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若初始化中的频谱偏置可控，该机制可能对应 EEG 长时序建模中不同频率成分学习不均衡的问题。可复用的是对角 SSM 与极点初始化思路；需按 EEG 采样率、目标频段和序列长度改造频率参数化，并验证多通道输入处理。低信噪比、跨被试频谱差异及小数据训练可能使预设偏置强化噪声或限制泛化。一个可检验的小实验是：在固定 EEG 任务、数据划分、模型规模与训练预算下，仅替换初始化方案，比较原始初始化与 S4D-DFouT 的任务指标及频段扰动敏感性；被试内与跨被试结果应分别报告。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。

作者：

Ruben Solozabal; Velibor Bojkovic; Hilal AlQuabeh; Kentaro Inui; Martin Takáč

机构：

尚未验证

发表平台：

NeurIPS 2025 poster

标识：

4X2UwlYsXt

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 · 2026-07-09 · 已接收

基于摘要分析。本文研究图像—文本多模态对比学习（MMCL）中的跨模态错配：配对样本并不总是表达完全相同的概念，因此“缓解错配”与“利用错配”可能各有适用条件。作者通过潜变量模型刻画错配机制，尝试统一这两种观点，并为实际系统设计提供理论依据。 核心机制是区分两类偏差：选择偏差（Selection bias），即部分语义变量在文本中缺失；扰动偏差（perturbation bias），即语义变量被改变。作者报告，理论分析表明，在一定温和假设下，MMCL 学到的表征恰好捕获对这两类偏差保持不变的语义变量子集所对应的信息。该结论的重点不是错配必然有益或有害，而是错配会影响哪些语义信息被保留；其实际价值需结合下游任务所需的信息判断。 作者报告使用合成数据和真实图像—文本数据集开展实证研究，以验证理论结论。摘要未提供具体数据集、指标、对照基线、样本规模或定量结果；理论假设、具体损失形式、实验协议、消融及统计信息尚未验证，不能据此断言对任意错配或其他模态均成立。 平台推测（待验证）：若 EEG 与刺激、文本描述或行为标签配对时也存在语义缺失或扰动，该框架可能帮助分析对比学习究竟保留了任务相关信息，还是仅保留跨模态共同信息。这一假设依赖可解释的配对语义及相应监督结构；可复用的是潜变量偏差分析框架，需改造的是 EEG 编码与配对机制。低信噪比、跨被试差异、通道变化及小数据可能使任务相关信息被误作非共享因素而丢失。一个可检验的小实验是在固定 EEG 数据划分下，分别控制配对描述的语义删除与替换，比较表征对目标任务信息和扰动因素的保留情况。原领域结论不等于 BCI 有效性，已有 EEG 相关工作尚未检索确认。

作者：

Yichao Cai; Yuhang Liu; Erdun Gao; Tianjiao Jiang; Zhen Zhang; Anton van den Hengel; Javen Qinfeng Shi

机构：

尚未验证

发表平台：

NeurIPS 2025 spotlight

标识：

3KtPujOw5z

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 · 2026-07-09 · 已接收

基于摘要分析。该研究针对混合整数线性规划（MILP）的学习方法难以泛化至训练分布之外或不同任务的问题，提出通用嵌入模型 GLIM（Generalizable Learning Representation for MILPs），旨在让不同 MILP 类别和下游任务共享表示。 核心机制是将每个 MILP 实例编码为二部图，通过结合 GNN 模块与 Perceiver-like blocks 的混合架构处理。作者以问题类型与问题规模是相互正交、其交互影响经验求解难度这一观察为动机，学习旨在解耦类型、规模与求解复杂度的联合表示。摘要称训练语料包含约 78,000 个实例，覆盖 2,000 个问题类别；图特征、解耦约束、损失函数、监督信号及训练细节尚未验证。 作者在 MILP Instance Retrieval 与 MILP Solver Hyperparameter Prediction 两项任务上评估表示质量。作者报告，在分布内和分布偏移设置中，包括真实世界 MIPLIB 基准，GLIM 在多数情况下优于强基线，并能迁移至新类别与新规模。摘要未提供具体指标、提升幅度、基线名称或划分方式，因此不能据此量化优势；实验协议、消融及统计信息尚未验证。复现需进一步核对训练语料构成、训练与测试类别及规模的隔离方式，以及两项任务的评价标准。 平台推测（待验证）：其潜在 BCI 关联更偏向优化环节，而非直接处理 EEG。假设电极选择或资源调度能够明确表述为 MILP，GLIM 的实例编码与求解器超参数预测模块可能可复用，但需适配变量、约束与目标的图特征，并核查训练语料是否覆盖相应问题结构。EEG 低信噪比和跨被试变化可能使优化输入不稳定；通道规模变化及少量可用实例也可能削弱迁移。一个可检验的小实验是在固定的电极选择 MILP 集合上，比较 GLIM 预测超参数与默认求解器配置的求解时间及解质量，并单独保留未见通道规模作为测试条件。此为迁移假设，不是论文已验证结果；已有 EEG 相关工作尚未检索确认。

作者：

Tianxing Yang; Bingzhang Yan; Hua Xu

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

DHNKaAaeO6

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 BCI 中脑状态解码跨日泛化困难及长期评估公共数据不足的问题，以心理负荷（MWL）估计为任务，提出 CD-MWL 数据集与图感知跨域 EEG Transformer——GACET，将动态学习的功能连接图与拓扑感知消息传递结合，用于提升泛化能力并提供模型决策的解释线索。 数据与评估：作者报告 CD-MWL 包含 14 名参与者在三天内采集的共 42 小时 EEG，并称其为截至该研究时最长的公开 MWL 数据集及面向该挑战的首个稳健基准。这些优先性主张尚未独立核实。摘要未说明任务设计、负荷标签、通道配置、预处理及训练与测试划分；尤其需要核对跨日评估是否为同一被试的 Cross-session，以及是否另含 Cross-subject 设置，不能将不同协议的结果直接比较。 核心机制：GACET 动态学习作者所称的脑功能连接图，并在该图上执行拓扑感知消息传递。摘要未给出图的构建方式、连接约束、Transformer 与图模块的具体交互、损失函数或训练流程，因此尚不能判断其神经科学合理性如何被落实为可检验的模型约束。 结果与解释性：作者报告模型相较所比较的现有先进方法获得显著性能提升，且学习到的连接模式与既有神经科学认识一致。摘要未提供指标名称、数值、基线名单或统计检验信息；连接模式的一致性也不能仅凭摘要视为解释性导致泛化提升的因果证据。实验协议、消融及统计信息尚未验证。 复现条件：作者声明数据、代码、训练日志及一条命令运行的复现脚本均已公开。资源可访问性、数据许可、运行环境，以及能否复现各评估划分下的结果尚未验证。阅读全文时，可重点核对连接结构与性能之间的证据、跨日数据划分及基线比较条件。

作者：

Zhen Xue; Xingwei An; Wenxiao Zhong; Shuang Liu

机构：

尚未验证

发表平台：

ICLR 2026 Conference Withdrawn Submission

标识：

RMRmPKo5X3

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 · 2025-11-12 · 已撤回

基于摘要分析。EVA（EEG-Vision Alignment）针对不同视觉刺激诱发的 EEG 语义解码问题，以统一的对比学习架构对齐多尺度 EEG 与快速图像呈现、连续视频序列及 3D 物体旋转刺激，目标是兼顾分类判别能力与脑信号重建的语义保真度。 核心机制是 Universal EEG Encoder 中的两个模块。Frequency-Aware Dynamic Encoding（FADE）通过实值快速傅里叶变换将 EEG 转换到频域，并利用可调带通滤波形成紧凑、自适应的表示。Adaptive Channel Clustering（ACC）通过交叉注意力与基于梯度的优化动态更新通道分组，以捕捉通道间协同关系并缓解噪声影响。摘要未给出具体频带设置、通道分组约束、视觉编码方式、对比学习损失及多尺度对齐实现，这些细节尚未验证。 作者报告，EVA 在多个数据集上的图像检索、视频分类和 3D 物体识别任务中达到领先表现，但摘要未提供各任务的指标、分数或对照基线。作者还报告，在 THINGS-EEG 的 200 个物体类别上，仅使用对齐后的 EEG 特征、不使用文本或低层次线索进行零样本重建，优于此前领先方法；具体优势幅度、重建评价指标，以及零样本的训练与测试类别划分尚未验证，不能据此认定其跨被试或跨数据集泛化能力。 复现时应重点核对异质刺激任务如何共同训练、不同时间尺度如何匹配、FADE 与 ACC 的独立贡献，以及通道聚类对噪声和通道配置变化的敏感性。实验协议、被试与数据划分、消融及统计信息尚未验证。摘要称代码将在发表时发布，当前材料不能确认代码可用性或论文发表状态。作者将该框架称为首个统一此类多尺度与异质刺激对齐的框架，该优先性主张尚未检索确认。

作者：

Enze Shi; Huawen Hu; Yincheng Yao; Sigang Yu; Shu Zhang

机构：

尚未验证

发表平台：

ICLR 2026 Conference Withdrawn Submission

标识：

dZ09ayDALD

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 · 2025-11-28 · 已撤回

基于摘要分析。该研究面向自动驾驶中的多模态三维目标检测，针对查询式方法对 LiDAR 与相机查询采用对称融合、未充分利用两者可靠性差异的问题，提出 S3M3D。其核心贡献是结合两个基于 Mamba 的组件，以 LiDAR 几何信息分别组织模态内交互和引导跨模态特征处理。 机制上，Spatially-Aware Mamba（SA-Mamba）替代 LiDAR 查询之间的自注意力：将查询投影到 BEV 坐标，采用递归 Z-order 序列化，再通过状态空间建模捕捉几何先验。LiDAR-Guided Mamba（LG-Mamba）则建立非对称引导关系，由较可靠的 LiDAR 查询动态调制相机查询的状态空间处理，使几何结构参与相机语义特征的细化。摘要未说明调制作用于哪些参数，也未提供损失、训练流程或计算开销，相关细节尚未验证。 作者报告，S3M3D 在 nuScenes 实验中达到 state-of-the-art 性能；摘要未给出具体指标、分数、数据划分和对照方法，因此不能量化其优势。实验协议、消融及统计信息尚未验证，复现还需核对序列化实现、查询构造、调制公式与训练配置。 平台推测（待验证）：可迁移的假设是，在具有同步多模态输入、且辅助模态可靠性经过独立验证的 EEG 任务中，非对称状态空间调制可能比等权融合更能应对某一模态受噪声污染的情况。这不意味着 LiDAR 的几何优势可直接对应 EEG；BEV 与 Z-order 排序需替换为符合实际电极布局或时间结构的表示，辅助模态也不能预设为更可靠。低信噪比、跨被试可靠性变化、通道缺失和小数据可能使引导失效。一个可证伪的小实验是在同步 EEG 与辅助模态数据上，固定编码器和数据划分，对比对称融合与非对称调制，并分别向两种模态加入受控噪声，检验收益是否依赖可靠性方向。已有 EEG 相关工作尚未检索确认。

作者：

Jiaxi Cao; Zhiwei Ning; Huiying Xu; Xinzhong Zhu; JIE YANG; Wei Liu

机构：

尚未验证

发表平台：

ICLR 2026 Conference Withdrawn Submission

标识：

zZ7NdQ9kob

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 · 2025-11-16 · 已撤回

基于摘要分析。该研究针对扩散式图像生成主要采用回归目标、通常缺少显式正则化的问题，提出可即插即用的 Dispersive Loss，将表征学习中的分散性约束引入生成模型训练。 核心机制是鼓励模型内部表征在隐空间中分散，思想与对比自监督学习相近，但不需要正样本对。作者认为，这一差异使其不干扰回归训练所用的采样过程。与表征对齐方法 REPA 相比，作者强调该方法不需要预训练、额外参数或外部数据。摘要未提供损失的具体数学形式、施加位置、权重及其与扩散目标的组合方式，这些实现条件尚未验证。 作者报告，在 ImageNet 上对多种模型评估时，Dispersive Loss 相较常用及较强基线取得一致改善。摘要未给出具体模型、数据划分、生成质量指标、改善幅度或计算开销，因此无法据此判断收益大小及复现成本；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若用于 EEG 扩散生成，隐空间分散正则可能提供一种不依赖正样本对或外部预训练表征的训练约束，但图像生成结果不构成 EEG/BCI 有效性的证据。可复用部分是表征正则化思路；需改造并核对 EEG 时序与通道表征、损失施加位置及权重。低信噪比、被试差异和小数据条件下，分散约束可能放大噪声或被试身份差异，而非增强任务相关结构。可检验的小实验是在固定 EEG 扩散模型与被试隔离划分下，仅比较是否加入该正则，核对生成信号的时频统计及下游跨被试任务表现。相关 EEG 工作尚未检索确认。

作者：

Runqian Wang; Kaiming He

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

RAaYqK9dk9

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。该研究针对 fMRI 功能连接（FC）的非欧氏结构建模问题，提出黎曼流形上的 Mamba 变体 Geo-Mamba，以双路径选择性状态空间设计融合多尺度空间信息与紧凑几何表示。研究对象涉及皮层图，以及位于对称正定（SPD）矩阵流形上的相关或协方差表示，旨在缓解常规欧氏序列模型与这些几何结构不匹配的问题。 核心机制包括两条互补路径：stacked path 聚合金字塔式多尺度特征，进行层次化空间建模以捕获局部与全局依赖；embedding path 在适当的流形空间内进行渐进式、几何感知降维，以减少高维 SPD 输入的冗余并保持黎曼约束。两条路径的输出通过定制的 GeoMix 算子融合，形成紧凑且具有判别性的 SPD 表示。摘要未给出状态更新、GeoMix、降维映射及损失函数的具体形式，时间动态如何编码也需查阅全文。 作者报告在 ADNI、OASIS、PPMI、Taowu、Neurocon 和 Mātai 六个公开 fMRI 数据集上进行评估，覆盖 Alzheimer’s、Parkinson’s 队列及具有不同采集协议的多站点正常人群，并获得具有竞争力的 Accuracy 与稳健性表现。摘要未提供具体数值、任务定义、数据划分或对照基线，因此不能据此认定跨站点泛化优势或临床有效性；实验协议、消融及统计信息尚未验证。复现时需核对 FC 构建与 SPD 条件、流形运算、双路径融合实现，以及划分是否隔离被试和站点。 平台推测（待验证）：若 EEG 协方差表示满足 SPD 条件，几何感知降维与状态空间建模可能用于缓解高维冗余及动态建模瓶颈，但这是假设，并非已验证的 BCI 效果。迁移需改造输入构建、多尺度空间关系及时间窗口设置；低信噪比、有限样本下的协方差病态性和跨被试、跨通道差异均可能使收益失效。可在固定 Cross-subject 划分与相同预处理下，对比欧氏模型、单路径及双路径模型，检验几何约束与路径互补是否带来稳定增益。已有 EEG 相关工作尚未检索确认。

作者：

Yuwei Cao; Tingting Dan; Yang Yang; Guorong Wu

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

7XonwHRkTS

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。MambaMatch 研究 SLAM（同步定位与建图）前端的视觉特征匹配问题，将状态空间模型（SSMs）中的 Mamba 架构与基于 transformer 的 attention 融合，旨在兼顾复杂场景下的匹配鲁棒性与计算效率；其主要研究对象是视觉 SLAM，而非 EEG 或 BCI。 机制上，作者利用 SSMs 的线性计算效率处理视觉特征，并通过 attention 建模全局依赖；融合策略自适应平衡作者所描述的 Mamba 局部关系与 attention 全局关系。摘要未说明特征如何组织为序列、融合权重如何产生，以及损失函数、训练监督和推理流程，因而尚不能判断效率收益来自哪些具体模块。 作者报告，在所评估的挑战性视觉数据集上，该方法的特征匹配 precision 和 recall 超过其比较的现有先进方法，尤其适用于重复纹理、光照变化和视角变化场景。但摘要未给出数据集名称、划分、对照方法、数值或运行成本；实验协议、消融及统计信息尚未验证，不能据此量化提升或确认实际 SLAM 定位性能改善。 平台推测（待验证）：若 EEG 任务同时依赖局部时序结构与长程依赖，这种融合机制可能提供候选建模思路，但视觉特征匹配的对应关系与监督结构不能直接等同于 EEG 解码。可考虑复用 SSM 与 attention 的融合思路，需改造信号编码、通道组织及任务输出；低信噪比、跨被试分布差异和小数据条件可能使融合权重不稳定或导致过拟合。一个可检验的小实验是在固定的跨被试 EEG 解码划分下，以相同输入、训练预算及近似模型容量比较 Mamba、attention 与融合模型，同时记录任务指标和推理成本，检验融合是否有独立收益。相关 EEG 工作尚未检索确认，此建议不构成已证实的 BCI 有效性结论。

作者：

Shijun Li; Jingping qiao; Jiechao Gao; Yifan Liu; Hengyu Liu; Luyao Tang; Haochen You; Chenxin Li; Zheng Zhu

机构：

尚未验证

发表平台：

ICLR 2026 Conference Withdrawn Submission

标识：

7lddcnHLCI

学术质量 59 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2025-11-12 · 已撤回

基于摘要分析。该研究针对视觉 Transformer 在生成建模中自注意力的二次计算成本与较弱空间归纳偏置，提出空间状态空间模块 PDE-SSM，以可学习的对流–扩散–反应偏微分方程替代注意力，并将其集成到 flow-matching 生成模型中，构建 PDE-SSM-DiT。 核心机制是通过具有物理动机的动力学描述空间信息流，而非直接执行所有 token 两两交互；在 Fourier 域求解 PDE，实现全局耦合。作者给出的复杂度为 O(N log N)，但摘要未说明 N 的具体计数方式、边界条件、离散化方案及可学习系数的参数化形式，尚不能判断这些设计对表达能力和实际效率的影响。其主要方法价值在于将多维 PDE 算子作为具有空间先验的注意力替代模块，而非仅将一维 SSM 直接用于视觉序列。 作者报告，PDE-SSM-DiT 在其生成建模评估中达到或超过所比较的先进 Diffusion Transformers，同时显著降低计算量；摘要未提供数据集、指标、具体基线、训练预算或降幅，因此该结论的适用范围及公平对照条件尚未验证。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 空间表征能构成有意义的规则网格，该空间传播机制可能用于建模通道间关系；这是迁移假设，并非本文已证实的 BCI 效果。可复用部分是谱域 PDE 空间混合模块，需改造部分包括不规则电极布局映射、缺失通道处理及与时间建模模块的接口。规则网格假设、空间平滑可能削弱局部判别信号，低信噪比、跨被试电极差异及小数据也可能使可学习动力学不稳定。可检验的小实验是在固定 EEG 任务、数据划分与训练预算下，仅替换空间混合模块，与注意力模块比较任务指标、计算成本及通道扰动敏感性。已有 EEG 相关工作尚未检索确认。

作者：

Eshed Gal; Moshe Eliasof; Siddharth Rout; Eldad Haber

机构：

尚未验证

发表平台：

ICLR 2026 Conference Desk Rejected Submission

标识：

YOZBEyTgLe

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 · 2026-02-12 · 预印本