BCI 科研雷达

基于摘要分析。本文研究部分可观测马尔可夫博弈（POMGs）中，部分可观测性与多智能体策略交互共同造成的规划难题，提出可兼容不同低秩表示学习方法的统一乐观价值迭代（OVI）框架。核心贡献是利用学习到的表示开展潜在空间规划，并将表示近似误差纳入探索与近似均衡的理论分析。 机制上，在给定表示后，OVI 构造乐观奖励项并将其加入价值函数，以促进探索、缓解表示近似误差造成的偏差。当精确价值函数 oracle 不可用时，框架利用低秩表示，通过 Bellman 递推构造价值函数的乐观与悲观估计，并依据两者之间的差距选择最终解。摘要未给出奖励项的具体形式、误差界或计算复杂度。 作者报告，其理论分析表明：在表示近似误差有界的前提下，OVI 收敛至近似均衡。作者以基于最大似然估计（MLE）的方法和谱分解表示方法实例化该框架；进一步提出 L-step Latent Variable Representation（LLVR），面向潜在空间无限维、即无限秩的 POMGs。作者报告，在额外的 L-decodability 假设下，OVI 与 LLVR 的组合也可达到近似均衡。“首次系统性表示学习视角”是作者的定位，尚未独立核实。 阅读重点是核对低秩结构、表示误差与近似均衡之间的依赖关系，以及 L-decodability 的定义和适用范围。摘要未披露数据、实验结果或实现信息，实验协议、消融及统计信息尚未验证。该工作主要是多智能体强化学习理论，不能将其均衡保证直接解读为 EEG 解码或 BCI 性能提升；当前材料不足以建立具体的 EEG 迁移路径，已有 EEG 相关工作尚未检索确认。

作者：

Chenhao Zhou; Lei Qian; Chao Zhang; Hanbin Zhao; Hui Qian

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

zbRh0eSl7Q

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。本文研究预训练模型如何适应持续变化的数据流，提出 Continual Representation Learning（CoRe），将低秩线性子空间表征微调用于持续学习，旨在以显式学习目标提高参数利用效率与下游适应能力。 机制与创新：摘要将 CoRe 与传统微调作对比，强调其优化对象是表征中的低秩线性子空间，并采用显式目标，而非仅依赖黑箱优化。作者声称这是首次将这一类表征微调用于持续学习，但该优先性尚未独立核实。具体目标函数、子空间构造、可训练参数位置，以及如何处理旧知识遗忘，均尚未验证；不能仅凭“显式目标”推断其具有理论保证。 结果与证据：作者报告，在多个持续学习基准上，CoRe 保持参数效率并显著优于已有方法。摘要未提供基准名称、任务序列、数据划分、对照方法、指标数值或参数预算，因此无法量化收益，也无法判断其优势主要来自新任务适应还是旧任务保持。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 CoRe 的表征微调不依赖特定输入模态，并可接入 EEG 预训练编码器，则其低秩更新可能用于跨会话顺序适应，以较少可训练参数应对分布变化；这是假设，不是已证实的 BCI 效果。可复用候选是表征更新机制，需改造或核对的是 EEG 表征接口、任务监督及持续学习目标。低信噪比、通道配置变化、被试差异与小样本可能使低秩子空间无法覆盖有效变化，或导致遗忘。待全文明确机制后，可在固定 EEG 编码器和相同数据划分下，以跨会话顺序训练比较 CoRe 与参数预算匹配的微调基线，同时评估新会话表现及旧会话保持。相关 EEG 工作尚未检索确认。

作者：

Haihua Luo; Xuming Ran; Tommi Kärkkäinen; Huiyan Xue; Qi Xu; Fengyu Cong

机构：

尚未验证

发表平台：

ICLR 2026 Conference Withdrawn Submission

标识：

0za6569Jqd

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 · 2025-11-30 · 已撤回

基于摘要分析。该研究针对视觉 Mamba 中单向递归扫描限制图像 patch 非因果交互、多扫描策略引入数据重排开销，以及短 token 序列下计算速度较慢的问题，提出视觉编码器 SF-Mamba，试图同时改善信息交互与计算效率。 核心机制包括两项设计：通过辅助 patch 交换，在单向扫描下编码双向信息流；通过 batch folding 与周期性状态重置，提升 GPU 并行性。摘要未给出 patch 交换规则、batch folding 的具体张量组织、状态重置周期及其对上下文保留的影响，因此这些实现细节尚未验证。其创新重点是重新设计扫描与执行方式，而非仅增加扫描方向。 作者报告，在图像分类、目标检测、实例分割和语义分割实验中，SF-Mamba 相比作者所称的最先进基线取得更好的任务表现，并在不同模型规模下提高吞吐量。摘要未提供数据集、指标数值、基线名称、硬件、batch size 或吞吐量测量条件，无法据此量化收益或判断公平比较；实验协议、消融及统计信息尚未验证。材料称代码将在发表后发布，当前代码可用性与论文发表状态不能由此推定。 平台推测（待验证）：该方法原本依赖图像 patch 序列及 GPU 批处理结构，其扫描效率设计可能为短序列 EEG 编码提供参考，但不构成已验证的 BCI 效果。迁移假设是，辅助 token 交换能够改善 EEG 时间窗或通道 token 的信息交互；需改造 patch/token 构造与交换规则，并检查周期性状态重置是否损失跨窗依赖。低信噪比、跨被试差异、通道排列变化及小数据训练可能削弱收益。可在固定 EEG 数据划分与同一硬件、batch size 下，对照普通单向扫描，分别加入交换和状态重置，比较任务指标与吞吐量；已有 EEG 相关工作尚未检索确认。

作者：

Masakazu Yoshimura; Teruaki Hayashi; Yuki Hoshino; Wei-Yao Wang; Takeshi Ohashi

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

X4KsowemNB

学术质量 75 / 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。该研究关注系统神经科学中解码模型的评估方法，考察同一测试集同时用于超参数选择和性能评估时，事后模型选择如何高估 EEG 解码准确率，并影响对不同模型架构的判断。 核心机制是：依据测试集表现挑选超参数，会偏向偶然拟合测试集不可泛化特征的模型。作者从存在这一做法的 EEG 解码研究中选取部分模型开展实验。作者报告，在所考察研究及其实验条件下，解码准确率的高估幅度为 0.74–1.24%；摘要未明确这一范围指相对百分比还是绝对百分点，因此不能进一步换算或与其他协议下的结果直接比较。 作者还报告，事后模型选择会偏向性能不稳定的架构：表现波动更大的模型实例更可能偶然匹配测试集，从而在筛选中胜出。这意味着此类评估不仅可能抬高结果，也可能误导架构研发，使复杂且不稳定的模型看起来优于更简单、稳定的模型；这并不意味着复杂模型普遍无效。 摘要未提供具体模型、数据集、被试数、被试内／跨被试／跨会话划分、搜索预算或重复实验设置。实验协议、消融及统计信息尚未验证。复现与阅读正文时，应重点核对超参数选择是否与最终测试隔离、比较架构时的搜索预算是否一致，以及性能波动和准确率高估的计算口径。现有材料不足以判断结论在不同 EEG 任务与评估协议下的适用范围。

作者：

Jack A. Kilgallen; Barak A. Pearlmutter; Jeffrey Mark Siskind

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

hOF6s8Yfxs

学术质量 74 / 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 · 2026-02-11 · 预印本

基于摘要分析。本文研究一种广泛使用的 EEG 分类实验协议及相关数据集中的时间混杂问题，并通过新实验检验若干用于解释该混杂的因素。其贡献定位于实验协议与结果解释的有效性，而非提出新的 EEG 分类算法。 作者指出，该数据集中的时间混杂此前已被报告，但仍有研究继续使用该数据集，并据此得出作者认为缺乏支持的结论。作者报告，新实验表明，已识别的混杂不能由区块设计（block design）、会话时长、被试数量或合并多个被试的数据等因素解释。摘要将这一证据表述为决定性验证；由于未取得全文，目前不能独立确认该判断。 材料未提供数据集名称、分类任务、时间混杂的具体形成机制、被试数量、数据划分、模型、对照条件或定量结果，因此不能将批评推广到所有 EEG 分类协议，也不能据此判定某一具体研究存在数据泄漏或不公平评估。实验协议、消融及统计信息尚未验证。 阅读全文时应重点核对：新实验如何区分时间因素与目标类别相关信息，如何分别检验上述替代解释，以及结论适用于哪些采集和评估条件。作者建议在采用这一问题协议进行实验设计、实施和结果解释时保持谨慎；这不等于否定 EEG 分类或 BCI 研究整体的有效性。

作者：

Yanchen Liu; Ernest V. Pedapati; Ronnie Wilbur; Jeffrey Mark Siskind

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

UKPDpKGXAi

学术质量 71 / 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 · 2026-02-11 · 预印本

基于摘要分析。该研究考察近期 EEG 对象类别解码工作所生成的激活图，是否确实具有与神经科学知识一致的可解释性；其核心贡献是引入 EEG 专家的实证评价，检验这一解释性主张。 被考察的工作使用被试观看 ImageNet 图像刺激时记录的 EEG 解码对象类别，并利用分类器构建对应对象类别的激活图。这里需要区分两个问题：分类器能否预测对象类别，以及生成的激活图是否支持可信的神经科学解释；前者的有效性并不能直接确立后者。 作者报告，EEG 专家对这些激活图的实证评价，使其与神经科学知识一致的主张受到质疑。摘要未给出评价结果的具体数值，也未说明专家人数、激活图生成方法、评价标准、盲评安排或统计检验，因此不能据此断言所有 EEG 激活图均不可解释，也不能推断相关分类器的解码性能无效。 复核时应重点核对被评价论文与模型的范围、专家评价任务及一致性、激活图所对应的时间与空间信息，以及解释性结论如何与分类结果相联系。实验协议、消融及统计信息尚未验证；尚无法仅凭摘要确定专家评价针对的是特定方法的局限，还是更广泛的解释性问题。

作者：

Hari Bharadwaj; Ronnie Wilbur; Barak A. Pearlmutter; Jeffrey Mark Siskind

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

qtUw7Wwu0t

学术质量 66 / 100 · 兴趣权重 1 · 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 EEG 分类实验中时间相关性与刺激类别之间的混杂问题，核心贡献是检验公开 EEG 数据中的时间相关性及滤波能否消除该相关性，并强调试次随机化对实验设计的重要性。 作者报告，在三个公开 EEG 数据集中观察到时间相关性，且滤波并未消除该相关性。摘要未给出数据集名称、漂移或时间相关性的测量方法、滤波设置、刺激安排、分类任务及数据划分，因此尚不能判断这些结论适用的具体实验条件，也不能量化其对分类性能的影响。 作者据此警告，近期相当数量的研究可能因时间相关性与刺激类别混杂而存在问题，并将随机化表述为目前唯一已知的避免途径。这些均是作者的判断；仅凭摘要，尚不能确认其文献核查范围，也不能验证该结论对不同 EEG 任务与采集协议的普遍适用性。 阅读与复现时，需核对随机化发生在刺激呈现还是其他实验环节，以及类别顺序、时间结构和训练／测试划分如何共同影响评估。不能把数据划分随机化直接等同于刺激呈现随机化，也不能据此断言某项既有研究存在泄漏或不公平比较。具体实验协议、对照、消融及统计信息尚未验证。

作者：

Hari Bharadwaj; Ronnie Wilbur; Jeffrey Mark Siskind

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

81YN7QFPi4

学术质量 73 / 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 · 2026-02-11 · 预印本

基于摘要分析。该研究针对特征采集受限与标注成本导致的多视图、多标签数据双重不完整问题，提出 Theory-Inspired Task-Relevant Representation Learning（TITRL），以信息论约束提取任务相关表示，并联合处理异构特征融合与标签语义学习。 核心机制方面，作者从信息论角度分析干扰共享表示的视图特有信息，通过特征排他性与标签整合的双层约束构建任务相关信息提取框架。作者称，通过变分推导得到互信息模型的可计算界，以指导优化；摘要未给出互信息目标、界的具体形式及其适用假设，尚需全文核对。在标签语义学习中，方法利用样本级标签相关性建立标签原型之间的灵活关系。多视图整合同时采用基于分布信息聚合的早期融合，以及按预测置信度加权的晚期融合，旨在增强语义稳定性并动态评估视图质量。 作者报告，广泛实验验证了 TITRL 相对于现有先进方法的有效性，但摘要未提供数据集、缺失机制与比例、训练测试划分、对照方法或具体指标，无法据此判断优势幅度及适用范围。实验协议、消融及统计信息尚未验证；复现还需核对缺失标签的处理方式、双层约束的实现、置信度计算及代码可用性。 平台推测（待验证）：若 EEG 任务确实具有同一样本的多视图输入及多标签监督，TITRL 的任务相关信息筛选和视图质量加权可能用于缓解部分模态或特征缺失；该路径依赖视图间可对齐信息与可学习的标签相关性。可考虑复用融合机制，但需改造 EEG 表示提取与缺失掩码处理。低信噪比、跨被试分布差异、通道缺失及小数据可能使置信度失准，或使共享表示过滤掉有效的视图特有信号。一个可检验的小实验是在固定跨被试划分下，对满足多视图多标签条件的 EEG 数据分别控制视图与标签缺失，并比较完整 TITRL、单独早期融合和单独晚期融合的表现。已有 EEG 相关工作尚未检索确认。

作者：

Tianxiang Xu; Chang LIU; Yilun Wang; Li Xiyu

机构：

尚未验证

发表平台：

ICLR 2026 Conference Withdrawn Submission

标识：

bffiMLNRg2

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 · 2025-12-09 · 已撤回

基于摘要分析。EEG-X 针对记录设备与配置差异导致的跨数据集变化，以及 EEG 低信噪比问题，提出结合通道空间位置编码、噪声感知掩码重建和特征空间重建损失的 EEG 基础模型，旨在学习更具跨域适应性与噪声鲁棒性的表征。 核心机制包括三部分：其一，基于位置的通道嵌入编码空间信息，使模型能够处理不同通道数量、通道组合和记录长度。其二，在原始空间与潜在空间采用噪声感知掩码—重建策略；与重建原始含噪 EEG 的做法不同，重建目标来自伪迹去除后的信号，作者意图借此使表征更关注神经活动而非噪声。其三，dictionary-inspired convolutional transformation（DiCT）层在计算重建 MSE 损失前，将信号投影至结构化特征空间；作者认为该设计可降低噪声敏感性，并捕捉频率与波形形状相关的相似性。具体去伪迹流程、掩码规则、DiCT 实现及各目标的组合方式尚未验证。 作者报告，在来自不同设备的数据集及多个下游 EEG 任务上，EEG-X 优于所比较的现有先进方法，并在预训练与下游数据电极布局不同的跨域设置中表现突出。摘要未提供数据集名称、任务明细、被试数量、划分方式、指标或数值，因此不能据此量化收益，也不能将这里的跨域结果直接等同于跨被试或跨会话性能。 复现时值得核对位置嵌入对通道坐标的依赖、去伪迹处理是否保留任务相关信号，以及各模块在不同设备与电极布局下的独立贡献；这些属于待核对事项，而非已确认的缺陷。摘要提供了模型与代码入口，但其可用性、训练配置、实验协议、消融及统计信息尚未验证。

作者：

Navid Mohammadi Foumani; Soheila Ghane; Nam Nguyen; Mahsa Salehi; Geoffrey I. Webb; Geoffrey Mackellar

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

pJlXo9TlW1

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 · 2026-02-11 · 预印本

基于摘要分析。本文研究 Structured State-Space Duality（SSD）的适用范围与理论边界，将标量乘单位状态矩阵的等价关系推广到一般对角 Structured State-Space Model（SSM），并分析其训练复杂度及与掩码注意力的对应条件。 原有 SSD 将状态矩阵为标量乘单位矩阵的 SSM，与使用 1-semiseparable 因果掩码的自注意力联系起来：同一序列变换可分别通过线性时间 O(T) 的递归计算和二次时间 O(T²) 的注意力计算实现，其中 T 为序列长度。这是两种算法实现之间的等价关系，并不意味着注意力实现本身具有线性复杂度。 作者报告，一般对角 SSM 在支持更丰富动态的同时，可达到与标量情形相同的训练复杂度下界；作者还给出了 SSM 等价于 1-semiseparable 掩码注意力的充要条件。摘要未列出该条件的具体形式，也未说明训练复杂度下界涉及的计算模型与其他维度依赖，需查阅全文核对。另一项理论负面结果是：由于秩爆炸，这种对偶性无法扩展到标准 softmax attention；该结论针对所讨论的对偶关系，不应扩大解释为 SSM 无法近似任何 softmax attention 行为。 平台推测（待验证）：对角状态矩阵及递归计算可为 EEG 长序列建模提供候选机制，但原文并未报告 EEG 或 BCI 验证。迁移时需改造多通道信号输入与任务读出，并核对理论条件是否仍适用；低信噪比、跨被试差异及小数据训练可能使理论上的表达空间扩展无法转化为实际收益。可检验的假设是在固定数据划分、训练预算及状态维度条件下，对比标量状态矩阵与一般对角状态矩阵的 EEG 序列模型，分别测量任务性能、运行时间与显存，而非仅凭复杂度推断效果。已有 EEG 相关工作尚未检索确认；证明细节、实验协议、消融及统计信息尚未验证。

作者：

Jerry Yao-Chieh Hu; Xiwen Zhang; Weimin Wu; Han Liu

机构：

尚未验证

发表平台：

ICLR 2026 Conference Withdrawn Submission

标识：

C9LAf2tlKj

学术质量 81 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2025-12-03 · 已撤回

基于摘要分析。研究针对金融市场中交易型操纵（TBM），尤其是 spoofing 在多个价格层级上呈现、却常被简化为单层级问题的异常模式，提出结合级联限价订单簿（LOB）表示架构与监督式对比学习的框架，以利用高维、含噪订单簿中的层级信息。 技术机制方面，级联表示用于处理 LOB 的多层级结构，监督式对比学习用于学习服务于操纵检测的表示。摘要未披露级联模块的具体连接方式、对比样本构造、标签粒度、损失形式及训练与推理流程，尚不能判断收益主要来自结构建模还是监督目标。 作者报告，该框架在多种模型上持续改善检测表现，其中基于 Transformer 的架构达到作者所称的最先进结果；但摘要未提供数据集、划分协议、对照基线、指标或数值，因此无法核对提升幅度及比较条件。作者还报告开展了多层级操纵的系统分析和关键组件消融，具体实验协议、消融结果及统计信息尚未验证。 平台推测（待验证）：迁移假设是，层级表示与监督式对比学习可能帮助 EEG 异常检测或状态识别整合多尺度信息，但 LOB 的价格层级并不等同于 EEG 通道或频带。可复用的是层级表示与对比学习思路；需重新定义 EEG 的层级关系、正负样本及监督标签，并验证所需标注量。低信噪比、跨被试差异、通道配置变化和小样本可能使表示主要捕捉被试或设备特征。一个可证伪的小实验是在固定 EEG 数据与 Cross-subject 划分下，对比基础模型、仅加层级表示、仅加监督式对比学习及二者结合，核对是否稳定改善同一指标。该实验属于迁移建议，并非论文已验证结果；相关 EEG 工作尚未检索确认。

作者：

Yushi Lin; Peng Yang

机构：

尚未验证

发表平台：

ICLR 2026 Conference Withdrawn Submission

标识：

Bfuj1qeoOU

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 · 2025-11-12 · 已撤回

基于摘要分析。本文研究拥挤环境中的人类轨迹预测，提出 Social-Mamba，将动态、非结构化的社会交互重构为结构化序列过程，以兼顾预测精度与计算效率；其主要对象是行人及其交互，而非 EEG 或 BCI。 机制上，论文针对注意力机制随邻居数量增长产生的二次计算成本，以及 Selective State-Space Models 的顺序结构与社会交互组织方式不匹配的问题，引入 Cycle Mamba block，以支持连续的双向信息流。Social-Mamba 将个体排列到具有语义顺序的自我中心网格，并通过 social triplet factorization 将交互分解为时间、自我中心和目标中心三类扫描，再用可学习的 social gate 与 global scan 动态整合。摘要未提供网格排序规则、目标信息来源、模块具体运算、损失或训练流程，这些实现细节尚未验证。 作者报告，在五个轨迹预测基准上，Social-Mamba 达到当前最佳预测精度，并具有更好的参数效率与计算扩展性；作者还报告，将其嵌入 flow-matching 框架可进一步改善精度与效率。摘要未列出基准名称、数据划分、对照方法、具体指标和数值，因此这些结论仍需结合完整实验协议核对，消融及统计信息尚未验证。 平台推测（待验证）：其有序扫描与门控融合机制可能为 EEG 多通道时空依赖建模提供参考，但这只是迁移假设。原方法依赖个体交互及其时空、目标结构，不能直接等同于电极关系；可考虑复用扫描和融合思想，同时将网格与目标中心组织改造为基于电极位置或可验证关系的组织方式。低信噪比、跨被试差异、通道配置变化及小数据训练可能使排序或门控失效。一个可证伪的小实验是在同一 EEG 数据集、固定被试内划分和相近参数预算下，对比普通状态空间模型与加入通道有序扫描及门控的版本，并用随机通道顺序检验收益是否确实来自结构组织。已有 EEG 相关工作尚未检索确认。

作者：

Po-Chien Luan; Wuyang Li; Yang Gao; Alexandre Alahi

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

9XCnaA2CQm

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。PhysMaster 针对视频生成模型虽能产生视觉逼真的内容、却常不符合物理规律的问题，提出学习物理知识表征并将其作为额外条件注入生成过程，以改善图像到视频任务中的物理合理性。 核心机制是利用输入图像所包含的物体相对位置、潜在交互等物理先验，由 PhysEncoder 编码物理信息，引导生成模型预测合理的动态过程。为获得超越外观质量的物理表现监督，作者将基于人类反馈的强化学习用于物理表征学习，并使用 Direct Preference Optimization（DPO），通过生成模型提供的反馈端到端优化表征。摘要未说明人类偏好如何采集、生成反馈如何构造、DPO 的具体目标，以及 PhysEncoder 与生成模型的训练或冻结范围，这些实现细节尚未验证。 作者报告，方法在一个简单代理任务上展示了有效性，并可泛化至多种物理场景；作者据此提出其可能作为通用、可插拔的物理感知视频生成方案。摘要未提供任务名称、数据集、数据划分、对照基线或量化指标，因此尚不能判断收益幅度，也不能确认其表征是否捕获可迁移的物理规律，而非特定场景线索。实验协议、消融及统计信息尚未验证；复现还需核对偏好数据、生成骨干、条件注入方式与评估标准。 平台推测（待验证）：其“额外条件表征加偏好优化”的思路可能启发 EEG 生成或重建中的生理合理性约束，但这仅是假设，不是已有 BCI 证据。原方法依赖图像中的对象关系及对生成动态的反馈，不能直接等同于 EEG 的时序、通道和被试结构；若迁移，需要改造编码器并建立可信的生理偏好监督，低信噪比、跨被试差异与小数据可能使偏好学习失效。当前材料不足以支持具体迁移实验方案，已有 EEG 相关工作尚未检索确认。

作者：

Sihui Ji; Xi Chen; Xin Tao; Pengfei Wan; Hengshuang Zhao

机构：

尚未验证

发表平台：

ICLR 2026 Conference Withdrawn Submission

标识：

CG2VPDZkwM

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 · 2025-11-14 · 已撤回

基于摘要分析。本文研究自监督学习（SSL）中何种表征或模型具有良好质量，将“普适性”界定为判别性、泛化性和可迁移性，并提出 General SSL（GeSSL），尝试在统一的 SSL 目标中显式建模这三种性质。其主要研究对象是通用表征学习，而非 EEG 或 BCI。 机制方面，GeSSL 从优化目标、参数更新机制和学习范式三个维度建模普适性，采用双层优化结构，联合处理任务特定适应与跨任务一致性。相较于摘要所述多数 SSL 框架隐式追求这些能力的做法，其贡献在于尝试将它们统一为明确的优化问题；具体损失形式、内外层更新方式、任务构造及监督需求尚未验证。 理论与结果方面，作者报告推导了泛化界，用于支持 GeSSL 优化所得表征对未见任务的泛化能力；该结论依赖的假设、界的适用范围及优化条件需查阅正文。作者报告在多个基准数据集和多种下游任务上取得优于对照方法的表现，但摘要未提供数据集名称、划分、基线或指标数值，不能据此判断优势幅度或不同协议间的可比性。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若能将 EEG 被试、会话或任务组织为可比较的训练任务，任务特定适应与跨任务一致性的协调机制可能对应跨被试或跨会话表征泛化这一瓶颈。可考察复用双层优化思路，但需改造 EEG 编码、增强策略和任务采样，并确认其是否需要标签及足够多的训练任务。低信噪比、通道差异与小样本可能使任务适应不稳定，过强的一致性约束也可能抹去有效差异。一个可检验的小实验是在固定 EEG 编码器与 SSL 基线下，采用严格的被试留出划分，仅比较是否加入该优化机制，并核对未见被试上的任务表现；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：

Wenwen Qiang; Jingyao Wang; Huijie Guo; Jiahuan Zhou; Lingyu Si; Changwen Zheng

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

20xuDMMiDH

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。该研究针对 EEG 癫痫发作诊断中通道间建模产生的伪连接，以及纯数据驱动图结构临床合理性与可解释性有限的问题，提出 EEG-RAGNet：利用外部医学知识检索来校准空间-时间图神经网络（STGNN）生成的 EEG 图。 核心机制是先从临床指南构建领域知识库，再借助大语言模型（LLMs）抽取生物医学实体与关系，形成文本知识图谱（KG）。框架将 STGNN 生成的 EEG 节点嵌入投影到 KG 的语义空间，构造对齐感知查询，并通过基于 FAISS 的相似度搜索检索知识三元组中的关系证据。随后，依据检索相似度、关系类型和来源可靠性，为每条预测边赋予置信度，剪除被判断为医学上不合理的连接。其方法特点是将检索证据用于图结构细化，而不仅是生成诊断文字解释。 作者报告，在 TUSZ benchmark 上开展的实验提高了癫痫发作检测准确性，并通过关联临床知识增强了预测的可解释性。摘要未提供具体分数、指标定义、数据划分、对照基线或统计结果，因此无法判断增益大小，也不能比较被试内、跨被试或其他评估协议。作者声称这是首个紧密耦合脑动态与外部医学专业知识的统一检索增强框架，该优先性主张尚未独立验证。 复现时需核对临床指南的覆盖范围与知识抽取质量、EEG 节点到医学语义空间的对齐训练方式、边置信度与剪枝规则，以及检索证据如何关联最终预测。检索到医学关系并不自动证明对应 EEG 通道连接具有临床合理性，这一对应关系的验证方式尤其值得关注。摘要提供了代码地址，但代码内容与可运行性尚未验证；实验协议、消融及统计信息尚未验证。该材料研究的是 EEG 癫痫发作诊断，不能据此推断其对 BCI 解码任务有效，也不足以形成临床应用建议。

作者：

Lincan Li; Zheng Chen; Yushun Dong

机构：

尚未验证

发表平台：

ICLR 2026 Conference Withdrawn Submission

标识：

Faz58I42h6

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 · 2026-04-13 · 已撤回

基于摘要分析。BrainMoE 针对 EEG 基础模型对所有通道采用统一处理策略、难以适配不同任务空间需求的问题，提出逐通道 Mixture-of-Experts（MoE）架构，通过动态选择和加权专家实现通道专门化解码。 核心机制是先用 ChannelFormer 提取各通道的独立表征，再由路由器根据这些表征选择并加权相关专家，使不同通道能够采用不同的计算策略。作者将这一设计与脑功能的异质性联系起来，试图避免统一通道处理对任务适应性的限制。但通道表征或专家分工是否对应可解释的脑功能分区，不能仅凭摘要确认。 作者报告，在覆盖九个基准的七项下游任务上，BrainMoE 获得显著性能提升，并在六个数据集上达到新的 SOTA。摘要未提供任务与数据集名称、指标数值、对照模型或被试内、跨被试、跨会话等评估协议，因此这些结果尚不能用于判断具体 BCI 场景中的增益；“显著”是否指统计显著性也尚未验证。 复现与技术核对的重点包括：ChannelFormer 如何构建通道表征，路由器如何选择专家，预训练目标与训练数据构成，以及逐通道路由相对于统一处理策略的消融对照。还需核对专家负载、计算成本、不同通道配置下的适配方式及数据划分。实验协议、消融及统计信息尚未验证，代码和权重可用性亦未由所给材料确认。作者将结果视为通道专门化支持通用 EEG 基础模型的证据，但摘要不足以独立确认其跨数据集泛化边界。

作者：

Fan Ma; Mingyang Jiang; Lingfei Qian; Zhiling Gu; Hua Xu

机构：

尚未验证

发表平台：

ICLR 2026 Conference Withdrawn Submission

标识：

hWyeiVFZ0q

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 · 2026-01-17 · 已撤回

基于摘要分析。本文研究自监督表征学习（SSRL）的目标是否约束其优化策略与模型设计，从变分互信息下界出发，推导 Self-Distillation MI（SDMI）和 Joint MI（JMI）两种训练范式，为既有方法中的架构组件提供理论解释。此处 MI 指互信息，而非运动想象。 作者提出，SDMI 内在要求交替优化，因此 stop-gradient 在该范式下具有理论必要性；JMI 则允许通过对称架构进行联合优化，无需此类组件。在这一表述中，SDMI 的 predictor network 与 JMI 的统计正则化分别成为互信息目标的可处理替代形式。作者报告，许多既有 SSRL 方法可被解释为这两类范式的特例或近似，但摘要未列明具体方法及映射条件。 其主要贡献是尝试从学习目标解释优化与架构选择，而非仅归纳防止表征坍塌的启发式设计。阅读正文时需核对变分下界的假设、替代目标与原目标的关系，以及各项结构约束的适用范围，不能据摘要将 stop-gradient 的必要性推广至所有自监督方法。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：这一框架可能帮助分析 EEG 自监督学习中双视图构造、梯度阻断与统计正则化的作用，但原领域的理论解释不等于已证实的 BCI 效果。迁移依赖 EEG 视图是否保留任务相关共享信息；可复用训练范式，需重新设计时序与通道增强及表征模块。低信噪比、跨被试差异和小数据可能使共享信息更多反映伪迹或被试身份。可在固定数据划分、编码器和增强条件下，对同一 SDMI 实现仅切换 stop-gradient，检验表征坍塌与下游任务表现；该实验只能检验特定实现下的预测。已有 EEG 相关工作尚未检索确认。

作者：

Akhlaqur Rahman Sabby; Yi Sui; Tongzi Wu; Jesse C. Cresswell; Ga Wu

机构：

尚未验证

发表平台：

ICLR 2026 Conference Withdrawn Submission

标识：

hiLr9thf6k

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 · 2025-12-01 · 已撤回

基于摘要分析。本文研究如何在同一表征学习框架中兼顾生成式与判别式任务，提出 Contrastive Mutual Information Machine（cMIM）：在 Mutual Information Machine（MIM）中加入对比目标。主要研究对象是分子与生物医学图像，而非 EEG 或 BCI。 机制方面，作者称 cMIM 不需要正样本数据增强，且对 batch size 的敏感性较低；这不等于无需正样本关系或其他训练条件。论文另提出 informative embeddings，一种无需额外训练、从编码器—解码器模型的解码器隐藏状态中提取丰富特征的方法。摘要未给出概率建模细节、对比样本构造、损失形式与权重，也未说明隐藏状态的选择和聚合方式，这些实现条件尚未验证。 评估涵盖 ZINC-15 相关分子性质预测任务（ESOL、FreeSolv、Lipophilicity）及 MedMNIST 生物医学图像分类。作者报告，相较 MIM 和 InfoNCE 基线，cMIM 提升下游 accuracy，同时保持相近的重建质量；摘要未提供各任务指标定义、具体数值、划分和统计信息，因此不能据此比较提升幅度，或将分类 Accuracy 直接套用于分子性质预测。实验协议、消融及统计信息尚未验证。作者提出其可扩展至分子、组学与成像等多模态场景，但摘要未展示相应验证结果，也不足以确认其已具备基础模型的跨任务泛化能力。 平台推测（待验证）：假设其减少对数据增强与 batch size 的依赖在 EEG 上也成立，可能缓解有效增强难设计及小批量训练的瓶颈。可尝试复用对比目标与 informative embeddings，但需改造信号编码器、解码器和重建目标；低信噪比、通道差异与跨被试变化可能使解码器特征偏向噪声或个体特征。一个可证伪的小实验是在固定 EEG 数据及跨被试划分下，比较 cMIM、MIM 与 InfoNCE 的分类 Balanced Accuracy 和重建误差，并改变 batch size 检查稳定性。该实验仅为迁移假设，已有 EEG 相关工作尚未检索确认。

作者：

未提供/匿名

机构：

尚未验证

发表平台：

Submitted to NeurIPS 2025 2nd Workshop FM4LS

标识：

n4sSEUVOpL

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 · 2025-11-18 · 预印本

基于摘要分析。该研究探讨如何从观测 o = f(s) 中识别任务相关潜在表征，核心贡献是在非参数设定下，分别给出跨时间步任务结构与单个时间步内任务相关表征的可辨识性保证。这里的可辨识性指渐近条件下恢复真实表征的理论保证，不等同于有限数据下的预测性能。 作者报告，第一项理论结果可在完全无监督条件下识别时间步与任务之间的结构，允许序列不具有严格时间依赖、存在断连，以及任务分配具有复杂交错结构。第二项结果表明，借助简单的稀疏正则化，可在每个时间步内将任务相关潜在表征与无关部分解耦，无需额外信息或参数化约束。两项结果构成分层框架：先识别跨时间步的任务结构，再识别步内的任务相关表征。作者将其描述为迈向可证明地从通用模型转向专用模型的一步，并声称据其所知，两项结果各自提供了首个一般非参数可辨识性保证；这些优先性声明尚未独立核对。 摘要未提供定理的完整前提、可辨识性的等价范围、稀疏正则化的具体形式或可实施训练流程。实验协议、消融及统计信息尚未验证，不能据此判断实际恢复精度、样本需求或计算代价。 平台推测（待验证）：假设 EEG 观测中存在可与任务无关活动分离的潜在因素，该分层思路可能对应 EEG 中任务信号与背景活动混杂、跨被试表征不稳定的问题。可借鉴的是结构识别与相关／无关因素分离的理论框架；观测映射、噪声模型、任务结构和稀疏条件则需针对 EEG 核对或改造。低信噪比、被试差异、通道混合及小数据可能使有限样本恢复失效。一个可证伪的小实验是在已知潜在因素与任务结构的合成 EEG 类混合信号上，改变噪声和任务交错程度，比较采用与不采用稀疏正则化时的因素恢复能力；这仅是迁移假设检验，不是已验证的 BCI 效果。已有 EEG 相关工作尚未检索确认。

作者：

Yujia Zheng; Fan Feng; Yuke Li; Shaoan Xie; Kevin Patrick Murphy; Kun Zhang

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

W4915ssZ3c

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。本文研究目标条件强化学习（GCRL）中的稀疏奖励问题，提出层次对比强化学习（HCRL）：在学习目标相关表征之前引入状态相关的中间表征，以降低目标表征学习的难度。其核心思路是让智能体先理解环境，再理解环境中的任务。 机制与贡献：摘要将不依赖奖励的对比强化学习作为已有方法背景，HCRL 则着重调整表征学习的层次关系，而非仅直接学习目标相关表征。作者称该方法充分利用 GCRL 设置中的信息，无需增加额外假设或约束。但中间表征如何构造、层次之间如何连接、对比样本如何采样，以及具体损失与策略训练流程，均需正文核对。 结果与证据边界：作者报告，在一系列目标条件强化学习任务的对比实验中，HCRL 比既有方法收敛更快、成功率更高，并进行了消融和额外评估。摘要未给出环境名称、对照方法、训练预算、成功率定义或具体数值，因此尚不能判断优势幅度及其跨环境稳定性；实验协议、消融及统计信息尚未验证。 复现条件与适用范围：材料提供了匿名代码地址，但代码内容、依赖、环境配置及与论文实验的一致性尚未核验。当前证据针对强化学习环境中的状态与目标表征，不涉及 EEG 或 BCI 验证；摘要也未建立这些表征与神经信号解码之间的具体对应关系，因此不据此推断 BCI 效果。已有 EEG 相关工作尚未检索确认。

作者：

Haomin Li; Yiran Xu; Haoyu Pan; Wei Tong; Guangyu Zhu; Edmond Qi Wu

机构：

尚未验证

发表平台：

ICLR 2026 Conference Withdrawn Submission

标识：

rTCSFOzVcK

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 · 2025-11-26 · 已撤回

基于摘要分析。本文针对 EEG 和 iEEG 基础模型训练规模有限及计算资源如何分配的问题，提出 DIVER-1 模型系列，并研究模型规模、数据量与训练时长之间的关系。其主要贡献包括大规模电生理预训练、该领域的系统性规模规律分析，以及面向电生理信号的架构设计。 训练规模方面，摘要列出 5.3k 小时 iEEG、54k 小时 EEG，以及 1.6M 通道小时和超过 17.7k 名被试，模型规模最高达 1.82B 参数。小时与通道小时是不同统计口径，不应直接互换；各模型使用的数据组合、数据清洗及训练划分尚未验证。作者将该语料称为截至当时规模最大、最多样的语料，但这一比较尚未独立核实。 核心发现是数据受限的规模规律：作者报告，在给定数据量与计算预算下，较小模型训练更多轮次，持续优于较大模型短时间训练。该结论关注模型容量与训练时长的联合配置，而非单纯扩大参数量；摘要未提供具体计算预算、训练轮次、比较配置或规律拟合结果，适用范围仍需核对全文。作者称这是该领域首次系统性规模规律分析，此优先性主张尚未独立核实。 架构创新包括 any-variate attention、sliding temporal conditional positional encoding 和 multi-domain reconstruction。摘要未展开这些模块的计算机制、重建目标、损失形式及训练和推理流程，因此不能据名称推断其是否解决通道变化、跨被试或跨数据集泛化问题。 作者报告，DIVER-1 的 iEEG 与 EEG 模型分别在各自基准上达到最先进表现；但摘要未给出基准名称、下游任务、指标、数值、对照基线，以及被试内、跨被试或跨会话等划分协议，尚不能判断其对具体 BCI 任务的收益。实验协议、消融及统计信息尚未验证；代码、权重可用性与复现所需算力也尚未验证，不能据此视为已发布模型权重。阅读全文时应重点核对规模规律比较是否采用可比的计算预算，以及预训练与下游评估的数据划分。

作者：

Danny Dongyeop Han; Yonghyeon Gwon; Ahhyun Lucy Lee; Taeyang Lee; Seong Jin Lee; Jubin Choi; Sebin Lee; Jihyun Bang; Seungju Lee; David Keetae Park; Shinjae Yoo; Chun Kee Chung; Jiook Cha

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

PLN5Ku7kxa

学术质量 82 / 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。该研究针对状态空间模型（SSM）的状态更新特征表达能力弱于 Transformer 自注意力的问题，提出 Log-Normal State-Space Model，目标是在保留线性时间效率的同时，使状态更新特征接近自注意力的表达能力。 作者将 SSM 的长序列处理优势归因于线性时间复杂度与状态保留机制，并提出通过新架构兼顾计算效率和记忆能力。不过，摘要未说明“Log-Normal”如何参与状态更新，也未披露具体参数化、损失函数、训练或推理流程，因此目前不能判断其增强表征的技术路径。 作者声称该架构能够兼顾效率与记忆增强，但所给材料未提供任务、数据集、数据划分、对照基线或量化结果。表达能力是否接近自注意力、复杂度成立的条件，以及实际运行时间和内存开销，均需结合全文核对；实验协议、消融及统计信息尚未验证。摘要提供了匿名代码地址，但实现内容、运行依赖与复现条件尚未验证。 平台推测（待验证）：其研究目标与长时程 EEG 序列建模存在潜在关联，但摘要尚未提供足够明确的机制路径，不能据此认定适用于 EEG/BCI。低信噪比、跨被试差异及小数据条件下的适用性仍待评估，已有 EEG 相关工作尚未检索确认。

作者：

Yin-Wen Lin; Ming-Yen Tsai; Feng-Ting Liao; Davide Buffelli; Da-shan Shiu; Jen-Tzung Chien

机构：

尚未验证

发表平台：

ICLR 2026 Conference Withdrawn Submission

标识：

XSsI8KXOed

学术质量 63 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2025-12-08 · 已撤回

基于摘要分析。本文研究 Mamba 等状态空间语言模型的部署压缩问题，提出无需训练的一次性剪枝框架 SparseSSM，将经典 optimal brain surgeon（OBS）框架扩展至选择性状态空间模块（SSM）。主要贡献是针对状态转移矩阵的时间共享与离散化特性构建剪枝重要性估计，而非直接沿用面向注意力模块的方法。 机制方面，SparseSSM 采用逐层算法，汇聚各时间步的 Hessian 迹信息，推导近似二阶重要性分数；同时通过组件敏感性分析指导前馈网络（FFN）剪枝，以分析 Mamba 架构中的冗余分布。作者称该方法可扩展至半结构化和结构化稀疏，但摘要未给出具体稀疏模式、重要性计算公式或实现开销。 作者报告，在不微调、剪除 50% SSM 权重的条件下，零样本 Accuracy 未下降，并称其达到 Mamba 类大语言模型剪枝方法的当前最佳水平。该比例针对 SSM 权重，不能解释为整个模型参数减少 50%；摘要未提供模型规模、评估数据集、任务、对照方法及具体 Accuracy，因此无法核实最佳水平声明，也不能将参数稀疏率等同于实际推理加速。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 解码模型采用选择性 SSM，其跨时间共享参数的重要性估计可能用于模型压缩；可复用的是逐层二阶重要性估计思路，需改造的是任务评估、剪枝范围及重要性估计所依赖的数据采样。原研究依赖语言序列与 Mamba 架构，摘要未说明估计过程所需数据量或监督条件。EEG 的低信噪比、跨被试差异、通道变化与小数据可能使重要性估计不稳定，剪除对少数被试关键的参数。一个可检验的小实验是在固定跨被试划分的已有 EEG SSM 解码器上，对比 SparseSSM 与幅值剪枝，在相同剪枝范围及稀疏率下报告 Accuracy 和实际推理延迟，不将语言模型结果视为 BCI 有效性证据。已有 EEG 相关工作尚未检索确认。

作者：

Kaiwen Tuo; Huan Wang

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

bzb9OJVfCP

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。该研究面向视觉骨干网络中图像 patch 之间的信息交换，提出以双曲层次聚类实现 token mixing 的 ClusterMixer，并将其整合为视觉骨干架构 HCFormer，旨在兼顾表征能力与编码过程的可解释性。 核心机制是将 token mixing 显式表述为层次聚类，而非仅依赖卷积、注意力、MLP 或其混合。作者认为视觉数据具有自然的树状关系，因此选择适于低失真嵌入层次结构的双曲空间。HCFormer 进一步结合一系列聚类策略，但摘要未说明具体聚类规则、双曲空间参数化、训练目标、可微实现或推理流程；“可解释性”目前是作者的设计主张，其验证方式尚未核实。 作者报告，HCFormer 在 image classification、object detection、instance segmentation 和 semantic segmentation 等任务上持续优于对照方法。摘要未提供数据集、数据划分、基线配置、指标数值或计算开销，因此尚不能判断增益幅度及公平比较条件。实验协议、消融及统计信息尚未验证。作者表示将发布源代码，不能据此认定代码已公开。 平台推测（待验证）：若 EEG 的时空 token 确实存在稳定且与任务相关的层次关系，显式聚类可能为信息聚合提供可检查的分组结构；这是假设，不是论文已证实的 EEG 或 BCI 结果。潜在可复用部分是层次聚类式 token mixer，需改造的是 EEG 的通道与时间片编码，以及层次结构的构建方式。原方法依赖图像 patch 和视觉层次假设，其监督方式与所需数据规模尚未明确；EEG 的低信噪比、被试差异、通道布局变化及小数据条件可能使聚类优先捕捉伪迹或个体特征。可检验的小实验是在固定 EEG 数据划分和相同训练预算下，仅替换 token mixer，对照注意力聚合，分别检查被试内与跨被试表现及聚类稳定性。已有 EEG 相关工作尚未检索确认。

作者：

Jianan Wei; Guikun Chen; Zhiyuan Weng; Yujia Wang; Wenguan Wang

机构：

尚未验证

发表平台：

Submitted to ICLR 2026

标识：

SnC8wh5Ap9

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。该研究针对 EEG 源定位中噪声干扰及既有神经网络方法难以泛化到原训练设置之外的问题，提出用于单源与多源定位的 Transformer 模型，并建立考虑源区域密度、噪声水平和电极缺失等因素的训练与评估框架。 方法与数据：作者利用已知脑内源位置生成数十万条模拟 EEG 测量数据训练模型，以已知源位置提供定位监督。摘要强调模型针对 EEG 数据中的困难进行设计，但未披露输入表示、源位置编码、网络结构、损失函数及单源与多源输出方式，不能据此判断其如何处理通道变化或源间相互作用。 结果与对照：作者报告，在上述多种模拟条件下，Transformer 模型的定位误差持续低于所比较的经典方法和机器学习方法。摘要未给出误差数值、单位、基线名称、训练测试划分或各条件下的结果，因此尚不能确定优势幅度，以及评估是否涉及未见源位置、头模型或电极布局。作者还报告开展了网络配置与训练流程的消融研究，具体实验协议、消融结果及统计信息尚未验证。 适用边界与复现：主要研究对象是 EEG 源定位，而非直接的 BCI 任务解码；模拟数据上的表现不能直接视为真实 EEG、跨被试或跨会话有效性的证据。需进一步核对真实测量验证、头部正向模型、噪声生成方式、电极缺失处理及训练测试条件的关系。作者表示代码和数据将在论文发表时公开，材料未确认当前开放状态，也未提供可核对的实现细节。

作者：

David Marvin Hart; Simon Polishchuk; Moritz Dannhauer

机构：

尚未验证

发表平台：

ICLR 2026 Conference Withdrawn Submission

标识：

rIIpKdKzkC

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 · 2025-11-20 · 已撤回