BCI 科研雷达

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ICLR 2026 Conference Withdrawn Submission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

基于摘要分析。该研究针对 EEG 空间精度有限、fMRI 获取成本与延迟较高的问题，提出 EEG–fMRI 循环生成框架 NeuroCycle，以神经生理先验和双向跨模态循环约束生成结果的信息完整性与神经科学合理性。其主要研究对象是从 EEG 合成 fMRI，而非直接验证 BCI 任务性能。 机制上，Cross-Modal ROI-wise Structural Module 将 fMRI 嵌入与 EEG 导出的相关模式对齐，以保持脑区组织结构；R2E Physiological Connectivity Guidance Module 通过 Riemannian-to-Euclidean 映射对协方差矩阵施加监督，以维持功能连接。EEG→fMRI→EEG 双向循环进一步约束信息保留与跨模态对齐。摘要未提供具体网络结构、损失形式、模态配对方式及训练与推理细节，这些尚未验证；循环重建约束也不能单独证明生成 fMRI 的生理真实性。 作者报告，在 NODDI 和 Oddball 数据集上，相较其所称的当前最优基线取得一致改进，生成的体素级 fMRI 更清晰，并具有更丰富的神经信息、更好的连接保持与跨模态对齐。摘要未给出具体指标、数值、被试数量、数据划分或基线名称，因此无法判断这些收益适用于被试内、跨被试还是跨会话条件；实验协议、消融及统计信息尚未验证。 复现时应重点核对 EEG 与 fMRI 的时间对应及血流动力学处理、ROI 定义、协方差估计、模态配对需求，以及评价是否包含独立于生成约束的神经信息与功能连接检验。平台推测（待验证）：区域结构与连接约束可能有助于缓解 EEG 空间信息不足，但依赖跨模态数据对应和稳定的相关结构；低信噪比、通道配置差异及小样本条件可能使这些先验失稳。可检验的小实验是在固定数据划分下分别移除两个生理先验模块，比较重建质量与独立连接指标，并单独报告跨被试表现。即便生成质量提高，也不等于 BCI 解码性能提高。

作者：

Yufan Hu; Yujiang; Shengyuan Liu; Yiyang LIN; Cheng Wang; Yixuan Yuan

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

s8SwD5a2VG

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。该研究面向图像任意尺度超分辨率（ASSR），目标是用单一模型将低分辨率图像重建为任意放大尺度的高分辨率图像。S³Mamba 通过可缩放状态空间模型构建连续表示空间，并引入尺度感知自注意力以增强不同尺度下的全局特征感知。 机制方面，摘要以 Implicit Neural Representations（INR）对坐标与像素值的连续表示为背景，将核心问题定位为从低分辨率输入建立连续表示空间。所提出的 Scalable State Space Model（SSSM）在离散化过程中调制状态转移矩阵与步长采样矩阵；作者称该机制能以线性计算复杂度实现可缩放的连续表示建模。尺度感知自注意力则用于识别不同尺度下的重要全局特征。矩阵调制的具体形式、尺度条件的输入方式，以及自注意力对整体计算开销的影响尚未验证。 结果方面，作者报告在合成与真实场景基准上达到领先性能，并具备任意超分辨率尺度下的泛化能力；摘要未提供基准名称、训练与测试尺度划分、对照方法或定量指标，暂不能判断提升幅度及泛化边界。实验协议、消融及统计信息尚未验证。作者表示代码将公开，不能据此认定实现已发布。 平台推测（待验证）：其尺度条件化的状态空间离散化机制可能启发 EEG 多采样率信号的连续重建，但图像空间放大不等同于时间信号重采样，原领域结果不构成 BCI 有效性的证据。可考察复用 SSSM 调制机制，并将二维坐标与像素输出改造为时间坐标与多通道信号输出；监督可来自高采样率 EEG 及其抗混叠降采样配对数据，所需训练规模尚不明确。低信噪比、通道差异、跨被试变化和小数据条件可能导致伪细节或生理波形失真。一个可证伪的小实验是在固定被试划分下，对未参与训练的重采样倍率比较条件化 SSSM、非条件化状态空间模型与常规插值，检查波形重建误差和频谱保真度。已有 EEG 相关工作尚未检索确认。

作者：

PeizheXia; Long Peng; Xin Di; Anran Wu; Yang Wang; Yang Cao; Zheng-Jun Zha

机构：

尚未验证

发表平台：

ICLR 2026 Conference Withdrawn Submission

标识：

42gPoLZLQB

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 · 2025-11-14 · 已撤回

基于摘要分析。研究针对 EEG 癫痫发作检测与分类中，患者间信号差异导致模型难以泛化到未见患者的问题，提出 SpatioTemporal Distributionally Robust Optimization（STDRO）。其核心贡献是在优化框架中显式考虑 EEG 的时空结构，作为与模型架构设计、预训练策略并行的跨患者泛化改进路径。 机制上，STDRO 构建并学习结构化不确定性集合，以刻画 EEG 信号的空间与时间特征，并据此形成数据自适应的最坏情况分布，用于鲁棒优化。与主要调整架构或预训练方式的方案不同，该研究重点在于训练时如何应对潜在分布变化；不过，摘要未提供不确定性集合的数学定义、空间与时间结构的具体表示、优化目标及求解流程，这些细节尚未验证。 作者报告，在多种评估场景下，STDRO 作为即插即用方法，能够持续改善先进癫痫发作检测与分类模型的表现。摘要未列出数据集、患者数量、跨患者划分、对照模型、评价指标或改善幅度，因此目前只能确认作者报告的定性结论，不能判断其效果大小，也不能直接比较不同评估场景。 复现时需核对跨患者训练与测试划分、不确定性集合的学习方式、与原模型的集成位置、额外计算成本，以及不同任务和基线下的收益稳定性。实验协议、消融及统计信息尚未验证。研究对象是 EEG 癫痫发作分析，摘要结果不构成其对其他 BCI 任务有效或已完成临床验证的证据。

作者：

Zongpeng Zhang; Xiang Li; Mingqing Xiao; Haoxuan Li

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

9VOxa2XAMC

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。该研究针对 EEG 采集中的通道缺失问题，提出基于预训练的扩散框架 Uni-SVDiffusion，以观测通道为条件重建缺失通道，并尝试通过统一通道映射适配不同 EEG 配置。 核心机制是利用奇异值分解（SVD）将 EEG 信号分解为空间与时间成分，在空间表示上训练扩散模型，再根据已观测通道进行条件重建。与直接处理完整时空信号的思路相比，其方法重点在于以空间表示建模跨通道关系；但 SVD 的具体分解方式、保留秩、时间成分如何参与重建、条件注入方式及训练损失尚未验证。 为支持不同通道配置，作者提出正向/反向通道映射策略，旨在保留空间结构，并结合卷积预训练促进 Cross-dataset 泛化。摘要尚未说明映射如何处理电极位置、通道数量与布局差异，也未交代预训练数据规模以及目标数据集是否需要微调，因此统一模型的适用边界仍需核对。 作者报告，在三个数据集上的评估中，Uni-SVDiffusion 达到最先进性能，并在严重通道缺失条件下保持良好表现。摘要未提供数据集名称、被试数、划分协议、缺失比例与模式、对照方法或指标数值，故目前无法判断其优势幅度，也不能将不同协议下的结果直接比较。实验协议、消融及统计信息尚未验证。 对 BCI 应用，需进一步核对重建是否保留任务相关 EEG 特征，以及重建质量改善能否转化为下游解码收益；摘要未提供这方面证据。此外，扩散推理时延与实际采集条件下的适用性尚待评估。作者表示代码和预训练模型将在论文被接收后发布，这不等于目前已公开，也不构成已接收状态的证据。

作者：

Yan-Kai Liu; Hao-Long Yin; Bao-liang Lu; Wei-Long Zheng

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

m6sBwfTTPF

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 · 2026-02-11 · 预印本

基于摘要分析。该研究针对静息态 fMRI（rs-fMRI）中反复出现的连接模式及其动态转换，提出结构化状态空间模型 DyBraSS，将空间模式与时间动态纳入统一建模框架，旨在改善脑区兴趣区（ROI）层面的建模能力与可解释性。 核心机制是基于聚类的全局聚合模块：在每次局部更新中整合所有脑区的信息，以保留脑网络拓扑，并将随时间演化的脑状态表示为可解释的簇。作者将现有方法的局限概括为未能保留脑空间结构，以及时间建模未考虑共同演化的空间模式。摘要尚未说明拓扑如何编码、聚类如何学习、状态转移与聚合如何耦合，也未提供损失函数、训练及推理细节。 作者报告，在多个 fMRI 数据集的诊断任务上，DyBraSS 在多种指标下持续优于其采用的先进基线；个体与群体层面的脑状态分析也与已知神经生物学改变相符。摘要未给出数据集名称、样本规模、诊断类别、划分协议、基线名称或具体指标数值，因此不能据此判断跨被试或跨数据集泛化能力，也不能将诊断结果视为临床有效性验证。实验协议、消融及统计信息尚未验证；复现还需核对 ROI 定义、预处理、拓扑构建和实现可用性。 平台推测（待验证）：其“局部更新结合全局空间聚合”的机制可能为 EEG 中空间关系与时间动态协同建模提供参考，但这是迁移假设，而非已验证的 BCI 效果。原方法依赖多脑区 rs-fMRI 时序及空间拓扑，训练监督形式与所需数据规模尚不明确；迁移时可考虑复用状态空间建模和聚合思路，但需改造 EEG 通道或源空间节点的拓扑、时间尺度及状态解释。低信噪比、体积传导、跨被试差异、通道变化和小数据可能使聚类捕捉伪迹而非稳定状态。一个可检验的小实验是在固定划分的 EEG 任务中，对比基础 SSM 与加入聚类式全局聚合的版本，核对任务表现及聚类稳定性。相关 EEG 工作尚未检索确认。

作者：

Ah-Yeong Jeong; Seungwoo Jeong; Da-Woon Heo; Heung-Il Suk

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

522R7hU5J0

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。该研究面向图像超分辨率，针对 SSM 将二维图像转换为一维序列扫描时可能破坏语义关系、引入恢复伪影与失真的问题，提出 SP-MoMamba，将超像素的语义保持能力与 Mixture-of-Experts（MoE）结合。 核心模块 Superpixel-driven State Space Model（SP-SSM）以超像素特征作为语义单元，重新组织 SSM 的扫描方式；Multi-Scale Superpixel Mixture of State Space Experts（MSS-MoE）进一步整合不同尺度的 SP-SSM，以利用多个专家之间的互补语义信息。作者报告，这种整合减少了每个 SSM 需要处理的像素数量，并通过不同语义尺度的专家增强细节重建，以较低计算开销取得更好的性能。摘要未提供数据集、放大倍率、对照基线、重建指标或开销测量条件，因此尚不能量化或独立核验上述优势。超像素构建方式、专家路由、训练目标、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可探索的迁移假设是，按有意义的局部单元组织扫描，或能缓解 EEG 时空表征被序列化时的邻域关系损失；这不是作者已验证的 BCI 结论。原方法依赖二维图像的空间邻域与多尺度语义结构，EEG 若采用电极拓扑图或时频图，需要重新定义分组、邻接关系及专家尺度，而不能直接套用图像超像素。可借鉴的是分组扫描与多尺度专家整合思路；低信噪比可能使分组追随噪声，跨被试差异、通道布局变化和小数据也可能削弱分组稳定性与专家训练。 一个可证伪的小实验是在固定 EEG 任务、模型预算与跨被试划分下，比较常规扫描、电极邻接分组扫描和随机分组扫描，并同时核对任务指标与计算开销；若邻接分组不能稳定优于随机分组，则该迁移假设缺乏支持。已有 EEG 相关工作尚未检索确认。

作者：

Wenbin Zou; Yawen Cui; Yi Wang; Huiping Zhuang; Lap-Pui Chau

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

ZeIsHH8Xx2

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 · 2026-02-11 · 预印本

基于摘要分析。本文研究如何兼顾监督学习中的表征能力与预测器可解释性，提出 Learned Programmatic Representations（LeaPR）：用代码表示从数据点到标量的特征函数，再将这些特征交给决策树预测，而不是直接用神经网络完成预测。 核心机制是利用 Large Language Models（LLMs）的领域先验及调用领域专用库编写代码的能力，合成特征函数。作者提出两条学习路径：一是改造 FunSearch，使搜索对象由直接生成预测器转为生成特征；二是提出 ID3 的变体，在决策树叶节点需要分裂时按需生成新特征。这将特征构造与预测器学习联系起来，且特征代码和树的预测路径可供检查；不过，可检查并不自动等于特征具有可靠的语义解释。 作者报告，在棋局局面评估、图像分类和文本分类实验中，方法得到高质量、不依赖神经网络的预测器，其表现常可与神经网络竞争。摘要未提供具体数据集、划分、指标、对照配置或数值，无法据此比较性能。这里的“不依赖神经网络”指所得预测器，不能据此推断特征学习阶段无需 LLM 或专用计算资源。实验协议、消融及统计信息尚未验证；复现还需核对 LLM 配置、特征搜索预算、代码执行环境及模型选择流程。 平台推测（待验证）：迁移假设是，若 EEG 任务具有可由领域库计算的候选特征，LLM 生成标量特征与按需树分裂机制可能用于探索可检查的分类规则。可复用的是特征代码搜索和决策树学习框架，需改造的是 EEG 输入接口、通道与时间窗处理及允许调用的特征库。该路径依赖监督标签、可执行特征函数和足以评估候选特征的数据；低信噪比、跨被试差异、通道变化及小数据下的反复搜索均可能导致不稳定或过拟合。一个可检验的小实验是在固定 Cross-subject 划分下，仅用训练数据搜索特征，与预设 EEG 特征加决策树比较同一测试协议下的 Balanced Accuracy，并记录搜索成本与特征稳定性。上述 EEG 效果并非原文结果，已有 EEG 相关工作尚未检索确认。

作者：

Gabriel Poesia; Georgia Gabriela Sampaio

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

Rav1kCwPWz

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 · 2026-02-11 · 预印本

基于摘要分析。该研究针对 EEG 长度不一、低信噪比、被试差异、会话内漂移及高质量数据稀缺等建模挑战，提出 Neural Brain Fields：借鉴 Neural Radiance Fields（NeRF），以单个 EEG 样本训练神经网络，将信号编码为固定大小的权重向量，并生成未观测时间点与头皮电极位置的 EEG 信号。 核心机制是将 NeRF 从离散视角图像学习连续场景的思路，对应到从离散头皮电极记录学习连续神经活动表示。这里的表征载体是为单个样本拟合所得的网络权重，而非摘要明确提供的共享预训练模型。摘要未说明时空坐标编码、网络结构、损失函数、单样本训练成本，以及权重向量如何用于后续分析，这些细节尚未验证。 作者报告，该表示支持任意目标分辨率、包括超高分辨率的连续脑活动可视化及原始 EEG 重建，并可模拟未实测电极的数据；将重建信号输入常规 EEG 处理网络后，作者报告下游性能改善。摘要未提供数据集、被试数、下游任务、指标数值、对照方法或被试内、跨被试、跨会话评估协议，因此不能判断改善幅度及泛化范围。高分辨率生成也不等同于获得同等分辨率的真实测量证据。 复现时应重点核对：未观测位置与时间点的划分方式、是否有真实留出电极作为重建参照、与常规插值方法的比较，以及单样本拟合与下游训练、评估之间的数据边界。低信噪比、稀疏电极布局、跨被试差异和会话漂移下的稳定性亦需验证。实验协议、消融及统计信息尚未验证。

作者：

Shahar Ain Kedem; Itamar Zimerman; Eliya Nachmani

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

NB86kKgN60

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。本文针对深度强化学习（DRL）在复杂高维环境中的样本效率与泛化问题，提出 Behavioral Programming Reinforcement Learning（BPRL），利用描述环境动态的 Behavioral Programming（BP，行为编程）模型，自动构建紧凑且语义丰富的智能体状态表示。 核心机制是让同一 BP 模型同时承担环境逻辑定义和状态表示导出两项功能。BP 是一种基于场景的建模范式；作者称，所导出的表示能够保留高层符号结构与时间依赖，从而避免单独进行人工特征设计。这里应区分“自动导出状态表示”与“自动获得环境模型”：摘要支持前者，但未说明 BP 模型如何构建、需要多少领域知识，也未交代具体表示编码、时间依赖处理方式、损失或训练流程。 作者报告，在 MiniGrid 基准上使用多种 DRL 算法开展实验，BPRL 相比标准基线显著改善样本效率与渐近性能。摘要未提供算法名称、基线配置、任务划分、指标数值或泛化评估协议，因此尚不能量化收益，也不能据此确认跨环境泛化能力。实验协议、消融及统计信息尚未验证。复现时需核对 BP 模型构建成本、自动表示导出规则，以及基线可获得的环境信息是否与 BPRL 一致。 平台推测（待验证）：其潜在对应关系是，在具有明确任务阶段、事件与合法转移的 BCI 交互环境中，将任务逻辑状态作为强化学习策略的辅助输入；这不等同于从 EEG 自动学习神经信号表示。可复用的是环境逻辑与状态表示共用模型的思路，需改造的是神经观测到任务事件的映射以及不确定性处理。低信噪比、跨被试差异、通道变化和小数据可能使事件识别不稳定，削弱符号状态的可靠性。一个可检验的小实验是在固定数据划分与相同强化学习算法下，对比仅用 EEG 特征与加入 BP 导出任务状态的策略，并测试事件识别误差增加时的表现；同时须核对任务状态在实际推理时是否可获得。已有 EEG 相关工作尚未检索确认。

作者：

Ron Tohar; Achiya Elyasaf; Gilad Katz

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

wdrjkHlknq

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 · 2026-02-11 · 预印本

基于摘要分析。本文研究状态空间模型（SSMs）的记忆结构如何影响基于梯度的学习动态，并据此提出初始化及循环权重训练策略。核心贡献是从当前状态对输入时间序列的存储方式出发，分析记忆精度与记忆长度的权衡，将记忆结构与优化方向联系起来。 理论机制：作者提出 structured state space sequence model（S4）与循环权重为对角形式的简化 S4 之间的理论等价性，并分析初始参数的重要性。作者的分析表明，成功学习需要尽可能长的初始记忆，即使这可能降低记忆精度，或使梯度失去 teacher information。该结论的具体假设、等价性的适用范围及 teacher information 的定义，需查阅全文核对，不宜扩展为所有 SSM 的通用规律。 实验与训练策略：作者报告，在需要长记忆的任务上，训练过程中延长记忆较为困难，支持了初始化的重要性；固定循环权重相比更新这些权重，可取得相当或更高的性能，并更快收敛。摘要未提供任务名称、数据规模、划分、指标或具体对照配置，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务依赖较长时间跨度的信息，预设较长记忆并固定循环权重可能减少小数据条件下的优化负担。可复用部分是记忆初始化与权重冻结策略；需改造输入编码、通道处理和记忆时间尺度。其风险是较低的记忆精度放大低信噪比输入的干扰，且跨被试与通道差异可能使固定动态不适配。一个可证伪的小实验是在同一 EEG 任务、固定数据划分与模型规模下，对照长／短初始记忆及固定／可训练循环权重，分别记录任务指标与收敛速度。原研究并未在摘要中提供 EEG 验证，相关 EEG 工作尚未检索确认。

作者：

JingChuan Guan; Tomoyuki Kubota; Yasuo Kuniyoshi; Kohei Nakajima

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

C0AQNXhTiY

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 · 2026-02-11 · 预印本

基于摘要分析。该研究针对异质图表示学习难以同时捕获长程语义依赖与局部结构模式的问题，提出 Dual-View Contrastive Learning（DVCL），通过结构视图、语义视图及动态双向对比学习获得互补表示。 结构侧的 Graph Schema View Module（GSVM）使用关系图神经网络，以类型感知消息传递和自适应残差连接建模结构依赖。语义侧的 Semantic Meta-Path Mamba Module（SMPMM）采用全局增强的 Mamba 骨干，并结合多分辨率融合与方向位置编码捕获高阶语义依赖。两种视图互为可学习增强，通过动态双向对比学习整合。摘要未提供具体损失形式、视图构造细节、动态更新机制及训练配置，相关实现尚未验证。 作者报告，在四个数据集的分类与聚类任务上，DVCL 一致优于所比较的当前先进方法。摘要未列出数据集名称、划分协议、对照方法或具体指标，因此无法判断优势幅度与适用范围；实验协议、消融及统计信息尚未验证。复现时需核对元路径的选择方式、各模块的独立贡献，以及长程建模带来的计算开销。 平台推测（待验证）：若将 EEG 通道、频段及其关系构造成异质图，可假设类型感知消息传递适合整合不同关系，语义视图则可能建模跨通道或跨频段的高阶关联。可复用双视图整合思路，但节点类型、元路径与方向编码须依据 EEG 数据重新定义，不能直接把图上的长程语义等同于 EEG 时间依赖。低信噪比、跨被试关系漂移、通道差异及小数据规模可能使构图误差被放大，或导致对比学习过拟合。一个可检验的小实验是在固定 Cross-subject 划分下，对照结构视图单独使用与双视图联合使用，并保持输入、分类器及训练预算一致；以上不构成已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。

作者：

Binyun Yang; Zhi Chen; Qiaoqin Li; Rongyao Hu; Yongguo Liu

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

4xjkRxcYHV

学术质量 65 / 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。该研究针对腹腔镜手术烟雾遮挡导致的图像可见性下降，提出 Heuristic-Guided Mamba（HG-Mamba），通过空间上下文自适应建模与频域表征增强改进图像去烟；这是一项手术图像恢复研究，并非 BCI 临床验证。 作者认为，Mamba 的顺序状态转移限制了空间相关性建模，而其前馈层缺乏频率特征建模机制。HG-Mamba 包含两个核心组件：Heuristic-Guided State Space Model（HG-SSM）采用输入引导的动态采样与灵活状态融合，以适应不同空间上下文；Frequency Refine Feed-Forward Network（FR-FFN）采用多频带分解与自适应加权，增强频域表征。摘要未提供采样规则、状态融合公式、频带划分、损失函数及训练细节。 作者报告，HG-Mamba 在合成及真实烟雾／无烟图像数据集上优于所比较的先进方法，但摘要未给出数据集名称、划分方式、评价指标、数值或具体基线，不能据此量化收益或比较不同协议。实验协议、消融及统计信息尚未验证。作者表示将公开代码，当前材料不足以确认代码已发布。 平台推测（待验证）：假设其输入自适应状态建模与频带加权机制可迁移至 EEG，潜在对应问题是时空依赖变化与频带信息选择，但原任务依赖二维图像空间结构及烟雾／无烟数据，不能直接等同于 EEG 的通道拓扑、时间结构或监督方式。可考虑复用频带加权思路，动态采样和状态融合则需适配电极布局与时序约束；低信噪比可能使自适应权重追随伪迹，跨被试频谱差异、通道变化与小数据也可能削弱泛化。一个可检验的小实验是在固定 Cross-subject 划分的 EEG 任务中，对比原始 Mamba 与仅加入 FR-FFN 思路的版本，保持预处理、训练预算和评价指标一致，检验频域改造是否稳定获益。相关 EEG 工作尚未检索确认。

作者：

ShiweiWu; XiaoboZhu; Song Zhang; Yu An; Xinyu Zhang; Hui Yan; Jie Tian; Xiyuan Hu; Zhenyu Liu

机构：

尚未验证

发表平台：

ICLR 2026 Conference Withdrawn Submission

标识：

SgSfmOuK6Z

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 · 2025-11-17 · 已撤回

ELASTIQ 针对 EEG 基础模型难以将语言指令作为表征学习先验、进而统一不同标签与任务的问题，提出结合谱–时域预训练和指令调优的 EEG–语言对齐方法。基于摘要分析，未取得论文全文，其核心贡献是将任务语义指导引入 EEG 表征，使 EEG 嵌入与文本标签嵌入对齐。 预训练阶段采用联合 Spectral–Temporal Reconstruction（STR）模块：频率掩码作为全局频谱扰动，配合两种时间目标，其中随机掩码用于捕捉上下文依赖，因果掩码用于建模序列动态。摘要未披露具体重建目标、损失组合或掩码比例。指令调优阶段采用 Instruction-conditioned Q-Former（IQF），这是基于查询的交叉注意力 Transformer，通过可学习查询将指令嵌入注入 EEG tokens，并与文本标签嵌入对齐。该机制区别于仅学习 EEG 表征的思路，但各模块的独立贡献仍需结合正文消融核对。 作者报告在涵盖运动想象、情绪识别、SSVEP、covert speech 和医疗健康任务的 20 个数据集上进行评估，其中 14 个数据集达到作者所称的最先进表现，并在全部五类任务中获得最佳平均结果。摘要未给出数据集名称、被试数、数据划分、被试内或跨被试等协议、对照方法及具体指标，因此这些结果不能直接用于判断跨被试、跨会话或跨数据集泛化能力。 作者还报告，分析支持显式任务指令作为语义先验，引导 EEG 嵌入形成连贯且具有语言语义基础的空间，并将这一观察称为首次发现；该优先性与证据强度尚未核对。值得进一步检查语义空间分析的量化依据、指令措辞敏感性，以及未见任务或标签条件下的泛化表现。实验协议、消融及统计信息尚未验证。作者表示将发布代码与预训练权重，摘要并未确认其已公开，当前复现条件仍待核实。

作者：

Muyun Jiang; Shuailei Zhang; Zhenjie Yang; Wu Mengjun; Weibang Jiang; Zhiwei Guo; Wei Zhang; Rui Liu; Shangen Zhang; Yong Li; Yi Ding; Cuntai Guan

机构：

尚未验证

发表平台：

ICLR 2026 Conference Desk Rejected Submission

标识：

Qkeu3hMoUr

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 · 2026-02-12 · 预印本

基于摘要分析。BrainPro 针对不同通道配置下 EEG 空间表征难以对齐，以及共享表征不足以刻画脑状态特异区域活动的问题，结合检索式空间学习机制与脑状态解耦模块，旨在学习兼具跨布局一致性和状态感知能力的 EEG 表征。 核心机制：作者认为，现有基于自注意力的 EEG 基础模型难以充分保留位置特异信息并对齐不同通道配置。BrainPro 使用检索式空间学习实现跨布局空间对齐，再通过并行编码器与区域感知重建，学习共享及状态特异表征。摘要未说明检索对象、空间位置编码、编码器结构、状态监督来源或重建损失形式，这些实现细节尚未验证。 结果与证据：在大规模 EEG 语料上预训练后，作者报告 BrainPro 在九个公开 BCI 数据集上取得 SOTA 表现，任务涵盖情绪、运动、言语、压力、精神疾病及注意力。摘要未提供数据集名称、预训练规模、数据划分、被试内或跨被试等评估协议、对照模型及具体指标，因此尚不能判断优势幅度或跨协议可比性。作者还报告了空间滤波器、通道丢弃鲁棒性及编码器贡献分析，并据此认为空间对齐和状态感知路径有效，所学空间模式具有更好的可解释性。 复现核对重点：需确认不同通道布局的表示及检索流程、共享与状态特异路径的训练约束、预训练与下游数据的关系，以及各任务的划分和指标。通道丢弃测试能否支持真实跨设备布局变化下的泛化、空间模式可解释性的评价依据，也需结合全文判断。实验协议、消融及统计信息尚未验证；代码与预训练权重的可用性亦尚未验证。

作者：

Yi Ding; Muyun Jiang; Weibang Jiang; Shuailei Zhang; Xinliang Zhou; Chenyu Liu; Shanglin Li; Yong Li; Cuntai Guan

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

nlaCdgvDQE

学术质量 79 / 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。本文研究通用时间序列自监督表征学习中的目标函数设计，提出 Signal Dice Similarity Coefficient（SDSC），以带符号的幅值交集衡量时间信号的结构一致性，将分割任务中的 Dice Similarity Coefficient 扩展到连续信号；摘要未提供 EEG 或 BCI 实验依据。 核心机制：作者认为，MSE 等距离型目标对幅值敏感，对波形极性的惩罚往往不足，且尺度无界，可能妨碍语义对齐与可解释性。SDSC 则关注带符号波形的结构匹配。作者提出以 1 减去 SDSC 构造损失，并采用可微的 Heaviside 近似；还将 SDSC 与 MSE 组合，以改善稳定性并在必要时保留幅值信息。具体公式、归一化方式、近似参数和混合权重尚未验证。 作者报告，在预测与分类基准上，基于 SDSC 的预训练相对 MSE 获得相当或更好的表现，尤其是在域内和低资源场景。摘要未列出数据集、指标、数值、模型结构或划分方式，因此尚不能判断收益幅度及适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 自监督任务需要同时保留波形形态与极性，SDSC 可作为重建目标的候选，而不是已证实的 BCI 方法。可复用部分是相似度与损失设计，需改造或核对多通道聚合、参考方式、幅值标准化及时间对齐。其适用性依赖任务语义是否确实与波形结构对应；低信噪比、跨被试幅值差异、通道参考变化和小数据训练可能使结构匹配偏向噪声或采集差异。一个可检验的小实验是在固定模型、预训练数据量及下游标签预算下，对比 MSE、SDSC 与混合损失，分别评估被试内和跨被试分类，并测试噪声与极性变化的影响。已有 EEG 相关工作尚未检索确认。

作者：

Jeyoung Lee; Hochul Kang

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

CrCPeM5fRB

学术质量 70 / 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。本文研究计算机视觉中线性复杂度可分离自注意力的性能改进：作者指出，在参数量与 FLOPs 相近时，基于该机制及其变体的轻量网络表现不及近期的 Vision Mamba（ViM），因此提出 Vision Mamba Inspired Separable self-Attention（VMI-SA），并构建 VMINet 和 VMIFormer 进行验证。 机制方面，作者从可分离自注意力的优缺点中提炼四项设计原则，再借鉴 ViM 核心状态空间模型（SSM）的设计思路。摘要明确指出，VMI-SA 不包含任何 SSM 模块，不能将其视为直接使用 SSM 的视觉网络。作者称其注意力计算过程不同于已有注意力机制，但四项原则、具体计算公式、训练目标及实现细节尚未验证。 实验方面，作者通过控制参数量、FLOPs 和编码器数量，设计与 ViM 的比较。作者报告，VMINet 和 VMIFormer 在图像分类及高分辨率密集预测任务中，相较于先进的 Transformer、CNN 和 ViM 获得具有竞争力的结果。摘要未提供具体数据集、数据划分、指标或数值，因而不能据此判断性能优势的幅度或适用范围；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确认。 平台推测（待验证）：假设该机制能够在保留有效特征交互的同时降低计算开销，它可能适合探索 EEG 长时间窗建模的计算瓶颈，但视觉任务表现不等于 BCI 有效性。潜在可复用部分是注意力计算模块；输入表征、时间与通道关系以及任务输出需针对 EEG 改造。低信噪比、跨被试差异、通道布局变化及小数据训练可能削弱其收益。一个可检验的小实验是在固定 EEG 数据划分和训练流程下，仅替换注意力模块，在匹配参数量与计算量的前提下比较任务指标、运行开销及多次运行稳定性。该假设依赖具体公式和实现可获得；已有 EEG 相关工作尚未检索确认。

作者：

Juntao Zhang; Jun Zhou; Kun Bian; zhou you; Jianning Liu

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

1KUMxnrhnH

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 · 2026-02-11 · 预印本

该研究针对深度学习经验效果与鲁棒性理论理解之间的差距，提出受 Kakeya 集猜想研究中的多尺度分析技术启发的几何表征框架，尝试将跨网络层的几何稳定性与输入扰动鲁棒性、模态缺失下的稳健性联系起来。基于摘要分析，未取得论文全文。 核心机制是将特征激活形式化为 representation field（表征场），并用“stickiness”描述其几何结构跨网络层的稳定性。作者以 multi-scale Wolff axioms 量化这种稳定性，并提出 Sticky Representation Theorem；作者报告，该定理建立了几何 stickiness 与网络功能鲁棒性之间的可证明关系，覆盖输入扰动及多模态场景中的模态缺失。摘要未提供定理假设、扰动范围、稳定性界或证明细节，尚不能判断其适用范围。 为将理论转化为训练约束，作者推导出 Katz-Tao Convex Wolff（KT-CW）Regularizer，称其为与架构无关的损失项，可能促进鲁棒、sticky 表征的学习。其创新重点是以统一几何语言连接表征质量、理论鲁棒性与训练正则化，而非摘要中已验证的性能提升。正则项的具体形式、计算开销、优化方式、数据集、对照基线、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若跨层几何稳定性能够在 EEG 表征上可靠估计，该约束可能用于研究噪声扰动下的表征稳定性；多模态缺失的理论路径则可能对应 EEG 与其他信号联合建模时的模态缺失问题，但不应直接等同于 EEG 通道缺失。可复用候选是 KT-CW 正则化思路，需改造表征场构造及多尺度几何估计，以适应 EEG 的时间、通道结构。低信噪比、跨被试分布变化和小样本可能使几何估计不稳定，过强的稳定性约束也可能抑制任务相关变化。待核对全文与实现后，可在同一 EEG 编码器、固定被试内划分和相同训练预算下，对比有无该正则项时干净输入及预设噪声扰动下的 Accuracy，以检验其是否提高扰动鲁棒性而不损害任务信息；这是假设性实验，不是论文结果。已有 EEG 相关工作尚未检索确认。

作者：

Tianyu Pan; Stephen Wormald; Damon L. Woodard

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

byBollQRc0

学术质量 69 / 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