BCI 科研雷达

基于摘要分析。该研究面向大语言模型训练与部署的存储及能耗问题，提出 1-bit Mamba 架构 Bi-Mamba，通过从头训练与自回归蒸馏，探索低比特表示下保持语言建模性能的路径；主要研究对象是语言模型，而非 EEG 或 BCI。 机制与训练：Mamba 的选择性状态空间模型避免了 Transformer 随序列长度增长的二次计算复杂度及推理时的 key-value cache 开销，但模型规模增长仍带来资源压力。Bi-Mamba 提供 780M、1.3B 和 2.7B 三种模型规模，摘要称其采用常规大语言模型预训练量级的数据，并使用自回归蒸馏损失从头训练。具体二值化对象、保留高精度的运算、蒸馏教师及损失形式尚未验证，不能据“1-bit”认定全部参数、激活和状态均采用一位表示。 结果与证据边界：在语言建模实验中，作者报告 Bi-Mamba 的性能接近 FP16 或 BF16 全精度对应模型，优于训练后二值化（PTB）Mamba 与二值化感知训练（BAT）Transformer 基线，并较原始 Mamba 显著降低内存占用和能耗。摘要未提供数据集、数据划分、具体指标、性能差值或资源测量环境，因此这些结论的适用范围及可比性尚需全文核对；实验协议、消融及统计信息尚未验证。作者称代码位于补充材料，并提供匿名预训练权重，但其内容与可运行性尚未验证。 平台推测（待验证）：迁移假设是，低比特选择性状态空间计算可能缓解长时 EEG 建模的部署内存压力。可尝试复用状态空间骨干与蒸馏思路，但需改造 EEG 输入编码、任务输出和教师模型；其原始训练依赖大规模文本与自回归监督，不能直接等同于小数据 EEG 分类。低信噪比、通道差异和跨被试分布变化可能放大二值化误差。一个可证伪的小实验是在固定 EEG 数据划分、相同骨干规模及训练预算下，对照全精度模型与 1-bit 蒸馏模型，同时测量任务指标、峰值内存及固定硬件上的能耗，检验资源收益是否伴随不可接受的性能下降。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：

Rejected by TMLR

标识：

HxU0wSMZ0n

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 · 2025-04-21 · 预印本

基于摘要分析。本文研究扩散模型为何以及在何种条件下能够通过自监督学习获得高质量表征，提出其表征能力源于通过噪声可控的去噪目标学习图像数据集的低维分布，并从后验估计和参数共享角度解释表征随噪声尺度变化的动态。 核心机制：作者假设，不同噪声尺度下的去噪过程能否准确刻画数据的低维分布，是影响表征质量的关键。作者报告，实证结果支持这一假设：表征学习性能随噪声水平的变化，与相应后验估计的质量密切相关。在此基础上，作者给出噪声尺度变化时表征性能呈单峰动态的理论解释，并强调扩散模型内在的参数共享机制对其相较传统去噪自编码器的表征优势具有作用。摘要未提供具体损失形式、理论假设及参数共享的实现细节，不能据此判断结论适用的完整条件。 证据边界：原研究对象是图像数据分布及扩散模型表征学习，而非 EEG 或 BCI。摘要未列明数据集、模型规模、表征评估任务、对照配置或量化结果；实验协议、消融及统计信息尚未验证，复现仍需核对正文中的噪声尺度设置、后验估计质量的衡量方式及表征提取位置。 平台推测（待验证）：若 EEG 片段存在可学习的低维结构，噪声尺度与去噪估计质量之间的关系可能有助于理解自监督表征在低信噪比条件下的变化。可复用的是噪声尺度扫描和共享去噪器的分析思路；需改造的是 EEG 时序与通道结构的建模及噪声设定。主要风险是人工加噪不能代表真实 EEG 伪迹、跨被试分布变化破坏低维结构假设，以及小数据条件下后验估计不可靠。一个可检验的小实验是在固定 Cross-subject 划分与相同训练预算下，扫描噪声尺度，比较共享去噪器与独立去噪自编码器的冻结表征性能，并检验其与去噪估计质量是否相关；这属于迁移假设，不是原论文已验证结果。相关 EEG 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：

CPAL 2025 (Recent Spotlight Track)

标识：

HyESKJgPv6

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 · 2025-03-19 · 已接收

Mixture-of-Mamba 面向多模态序列预训练，针对状态空间模型（SSMs）难以充分利用模态特有特征的问题，在 Mamba block 中引入模态专属参数化，以模态感知稀疏性改善训练效率。基于摘要分析，未取得论文全文；研究对象是文本、图像及语音多模态建模，并非 EEG/BCI。 机制与对照：该方法沿用 Mixture-of-Transformers 的模态感知稀疏性思路，将其扩展到 SSMs。摘要指出，投影组件解耦具有协同效应，联合解耦优于单独修改；但具体解耦位置、参数共享方式、稀疏计算实现与参数量匹配条件尚未验证，不能据此认定其采用特定专家路由结构。 作者报告：在 1.4B 规模的 Transfusion 设置下，即文本与连续图像 token 交错、图像采用 diffusion loss 的预训练中，达到等同图像损失所需训练 FLOPs 为对照的 34.76%；在文本与离散图像 token 交错的 Chameleon 设置下，达到相近图像损失和文本损失所需 FLOPs 分别为对照的 42.50% 和 65.40%；在加入语音的三模态设置下，匹配语音损失所需 FLOPs 为对照的 24.80%。这些数字描述各自协议内的等损失计算成本，不代表下游任务性能提升，也不能跨设置直接比较。具体对照配置、数据集、训练划分、FLOPs 核算范围、消融细节及统计信息尚未验证。 平台推测（待验证）：迁移假设是，若 EEG 与文本或其他信号共同组成带明确模态标识的序列，模态专属投影可能缓解不同信号表征需求之间的冲突。可复用的是按模态区分参数的设计；需改造 EEG 编码、时间对齐与训练目标。原实验处于大规模多模态预训练，EEG 的低信噪比、通道差异、跨被试分布变化及小数据条件可能使专属参数过拟合。一个可检验的小实验是在固定数据、目标与参数预算下，对比共享投影和模态专属投影的 EEG—文本 SSM，以严格跨被试划分同时观察任务指标与计算成本。已有 EEG 相关工作尚未检索确认。

作者：

Weixin Liang; Junhong Shen; Genghan Zhang; Ning Dong; Luke Zettlemoyer; LILI YU

机构：

尚未验证

发表平台：

CPAL 2025 (Recent Spotlight Track)

标识：

i1mxsDrzv3

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 · 2025-03-06 · 已接收

基于摘要分析。本文研究 EEG-to-text，提出将其从序列到序列翻译重新表述为细粒度可控文本生成：训练 EEG 表征模型，使其输出与文本语义空间对齐，再利用这些表征引导 LLM 生成目标句子。核心贡献是将学习重点放在 EEG 与文本的语义对齐上，而不是依赖 teacher-forcing 的翻译训练。 机制与对照：作者认为，既有方法采用 teacher-forcing 时未能有效提取和利用 EEG 信息，因此尝试借助 LLM 的文本生成能力，让对齐后的 EEG 表征承担生成控制信号。“将 LLM 视为大脑”是框架类比，并非关于生物脑机制的验证。摘要未说明语义空间如何构建、对齐损失的形式、EEG 表征如何接入 LLM，以及 LLM 是否冻结或微调，这些实现细节尚未验证。 结果与评估：作者报告，在 ZuCo benchmark 的多被试与单被试设置下取得最先进性能，并在跨被试场景中表现出对未见被试的泛化能力。摘要未提供具体指标、分数、对照方法和划分信息；其中多被试与单被试设置也不能直接等同于跨被试或被试内协议，因此目前无法量化其改进幅度或直接比较不同设置。 复现时需重点核对：训练与推理阶段可用的文本信息、未见被试的划分方式、生成结果对 EEG 输入的依赖程度，以及语义对齐相对于其他条件生成方式的增益。可通过核对 EEG 打乱、移除 EEG 等对照判断语言先验与神经信号各自的贡献，但不能据摘要认定作者未做这些实验。完整实验协议、消融及统计信息尚未验证。

作者：

未提供/匿名

机构：

尚未验证

发表平台：

ACL ARR 2025 February Submission

标识：

AQx0cXq6u2

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 · 2026-07-02 · 预印本

基于摘要分析。该研究关注 State Space Models（SSMs）的参数高效微调（PEFT），提出直接调整状态相关特征的 state-based 方法，并引入 State-offset Tuning，在每个时间步直接影响当前状态，以替代依赖外部提示的适配方式。原论文研究对象是通用 SSM 的适配方法，并非 EEG 或 BCI 实验。 核心机制与对照：摘要将 SSM 视为缓解 Transformers 二次计算成本的高效替代方案，并指出适用于 Transformers 的 Prompt Tuning 和 Prefix-Tuning 在 SSM 上表现不佳。作者提出利用 SSM 的架构特征，直接作用于状态，而非通过外部提示间接适配。摘要未说明状态偏移的具体参数化方式、可训练参数位置、损失函数或训练与推理开销，这些内容尚未验证。 结果与证据边界：作者报告在多个不同数据集上的广泛实验支持该方法的有效性，但所给摘要未列出数据集、任务、指标、数值或具体对照结果。实验协议、消融及统计信息尚未验证，不能据此量化其相对提示方法或全参数微调的收益。 平台推测（待验证）：假设 EEG 序列模型采用 SSM 骨干，直接调整内部状态可能为跨被试或跨会话适配提供一种参数高效路径。可复用的是状态级适配思路；需改造或核对 EEG 输入编码、通道布局、状态更新接口及任务输出层。其适用性依赖目标骨干的状态结构、可用监督和适配数据规模。低信噪比、通道变化及小样本条件下，状态调整可能放大噪声或过拟合，原领域有效不等于 BCI 有效。 一个可检验的小实验是在固定 EEG SSM 骨干与明确的跨被试划分下，比较 State-offset Tuning、提示式 PEFT 和全参数微调，统一适配样本量与训练预算，记录任务指标、可训练参数量及多次运行波动。具体实现须待全文核对；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：

ACL ARR 2025 February Submission

标识：

b3aKAgMxE8

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 · 2026-07-02 · 预印本

基于摘要分析。本文研究无监督骨架动作识别中实例级对比学习对簇级动作语义利用不足的问题，提出 Progressive Semantic Learning（ProSL），通过骨架编码器与语义 Codebook 的迭代更新，逐步改进自监督对比学习的伪标签生成机制。 核心机制是先利用已有对比学习方法得到初始骨架编码器，再基于其表示进行聚类，生成包含动作语义信息的 Codebook，并据此改进伪标签生成；随后迭代更新表示与语义信息。相较于依靠数据增强和 memory bank 构造正负样本的实例级学习，本文强调利用簇级信息指导训练。摘要未说明聚类算法、Codebook 更新规则、正负样本重定义方式、损失函数或迭代停止条件，这些均需全文核对。 作者报告在四个数据集的多个下游任务上达到 SOTA，但摘要未提供数据集名称、具体任务、数据划分、对照基线或指标数值，因此尚不能判断优势幅度及适用条件；实验协议、消融及统计信息尚未验证。复现需要进一步确认初始编码器的训练方式、聚类与编码器更新的调度，以及伪标签误差如何影响后续迭代。 平台推测（待验证）：该机制可能用于探索 EEG 自监督表示中实例级相似性与潜在任务语义不一致的问题，可复用的是“表示—聚类—伪标签更新”的循环，需改造的是输入编码器、信号增强及样本相似性定义。其前提是无标签表示存在相对稳定的语义簇；EEG 低信噪比、被试和通道差异及小数据可能使聚类更偏向个体或采集条件，而非任务语义，并放大伪标签错误。可在固定 Cross-subject 划分、相同编码器及训练预算下，对比实例级自监督基线与加入该循环的方法，仅用训练部分生成 Codebook，核对下游性能与簇的任务／被试关联。上述迁移尚未验证，已有 EEG 相关工作尚未检索确认。

作者：

Hao Qin; Luyuan Chen; Ming Kong; Zhuoran Zhao; Xianzhou Zeng; Mengxu Lu; Qiang Zhu

机构：

尚未验证

发表平台：

Machine Learning

标识：

NuzQeE0bQw

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 · 2025-02-14 · 状态未知

基于摘要分析。本文研究对比学习中正样本对的语义一致性与样本多样性难以兼顾的问题，提出利用 Large Multimodal Models，在多源、多模态提示引导下合成语义一致的样本，并构建生成语义感知正样本对的框架。主要研究对象是通用表征学习，而非 EEG 或 BCI。 核心机制是将大模型辅助的合成样本生成引入对比学习：样本生成机制既影响正负样本配对，也影响样本池的多样性。作者通过可视化与消融实验考察语义一致性对表征学习的作用，并归纳利用大模型生成对比学习合成样本的原则与方法。摘要未说明多提示对齐的具体实现、提示来源、输入模态、语义一致性判定方式、损失形式及训练流程，这些内容尚未验证。 作者报告在广泛实验中取得优于对照方法的性能，但摘要未提供数据集、任务、划分协议、基线或指标数值，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。作者表示将公开代码和生成数据集；这属于开放计划，不能据此确认资源已经发布。 平台推测（待验证）：若提示中包含可靠的任务语义，这种正样本构造思路可能用于缓解 EEG 对比学习中增强操作改变任务相关信息的问题。可借鉴的是提示条件化生成与正样本语义检查思路，但生成器、提示表达及一致性验证需适配 EEG 时序和通道结构；标签或其他语义监督是否必要，摘要无法确定。低信噪比、被试差异、通道差异及小数据条件可能使合成样本仅保留标签线索而偏离真实生理信号。一个可检验的假设是：在固定 EEG 数据划分、编码器和训练预算下，将语义约束合成正样本与常规增强正样本比较，能否改善真实测试数据上的表征质量，并通过去除语义约束的消融核对收益来源。该方案不代表已验证的 EEG 效果，相关 EEG 工作尚未检索确认。

作者：

Zhuoran Zhao; Hao Qin; Ming Kong; Luyuan Chen; Di Xie; Jiang Zhu; Qiang Zhu

机构：

尚未验证

发表平台：

Machine Learning

标识：

GAfocdsaE7

学术质量 64 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2025-02-14 · 状态未知

基于摘要分析。基于标题分析，研究关注基于 EEG 的 BCI 中的用户身份保护，核心方法为用户级扰动（User-wise perturbations）。现有材料仅含标题与作者信息，具体扰动机制、数据集、原始评估协议及实验结果尚未验证。

作者：

Xiaoqing Chen; Siyang Li; Yunlu Tu; Ziwei Wang; Dongrui Wu

机构：

尚未验证

发表平台：

Journal of Neural Engineering

标识：

uA0pP50K48

学术质量 44 / 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 · 2026-07-20 · 状态未知

基于摘要分析。本文针对被试特异性 EEG 识别中数据不足、不同被试需要不同迁移表示的问题，提出 deep multiview module adaption transfer（DMV-MAT）network，将多视图特征提取与面向目标被试的模块适应迁移结合，而非向所有目标被试迁移相同的特征表示。 核心机制包含两个部分：deep multiview（DMV）network 从多个视角生成不同类型的判别特征，作者旨在通过更丰富的特征集合改善泛化；module adaption transfer（MAT）则依据源域与目标域样本的特征分布评估各模块，为每个目标被试生成相应的权重共享策略，使模型同时学习域不变与域特异特征。相较于摘要所述的统一表示迁移方式，其关键区别是将迁移选择落实到模块层面，并使共享策略随目标被试变化。具体视图定义、模块结构、分布评估准则、优化目标及策略选择流程尚未验证。 作者报告在运动想象（MI）和癫痫发作预测两类 EEG 任务、共四个数据集上开展实验，并称相较于所比较的先进方法取得有潜力的表现。摘要未提供数据集名称、被试数、指标数值、对照方法或数据划分，因而尚不能量化性能优势，也不能确认具体跨被试迁移协议及两类任务的收益是否一致。 摘要提供了实现代码链接，但代码可运行性、依赖环境与实验配置尚未验证。复现时应优先核对目标被试数据的可用范围及标签使用条件、模块评估与权重共享的实施方式，以及多视图特征和 MAT 各自的贡献。实验协议、消融及统计信息尚未验证；低数据量下分布估计的稳定性和共享策略对被试差异的敏感性，是值得进一步检验的问题，而非摘要已经证实的局限。

作者：

Weigang Cui; Yansong Xiang; Yifan Wang; Tao Yu; Xiao-Feng Liao; Bin Hu; Yang Li

机构：

尚未验证

发表平台：

IEEE Transactions on Neural Networks and Learning Systems

标识：

67MWIwdv60

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 · 2026-09-11 · 状态未知

基于摘要分析。基于标题信息分析，研究面向 BCI-EEG 解码，采用基于相空间的几何神经网络。所给材料仅含标题与作者信息，具体方法机制、数据集、原始评估协议及作者报告的实验结果尚未验证。

作者：

Igor Carrara; Bruno Aristimunha; Marie-Constance Corsi; Raphael Y de Camargo; Sylvain Chevallier; Théodore Papadopoulo

机构：

尚未验证

发表平台：

Journal of Neural Engineering

标识：

WOhoJBLahe

学术质量 40 / 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 · 2026-05-08 · 状态未知

基于摘要分析。本文系统综述深度学习用于 EEG 心理工作负荷（Mental Workload，MWL）分类的潜力与挑战，重点梳理训练输入、交叉验证方法及分类问题类型，而非提出新的分类模型。研究的主要应用对象是信息系统中的认知状态评估，以支持对任务表现、用户体验和系统适应性的研究。 作者将 EEG-based MWL 分类归纳为五类：被试内、跨被试、跨会话、跨任务，以及同时跨任务与跨被试。这一区分有助于识别模型究竟适用于个体内识别，还是能泛化到新被试、会话或任务；不同协议下的表现不宜直接比较。摘要指出，数据集特性、会话与任务变化以及伪迹去除都会影响分类效果，但未提供具体模型、数据集或定量比较。 评估协议是本文的重要关注点。作者指出，在划分训练集与测试集之前打乱数据会破坏 EEG 的时间序列结构，可能使性能评估失真；作者认为时间序列交叉验证与留一会话评估更能保持时间完整性。该结论在摘要中没有对应的量化结果，具体打乱方式、样本构造、划分单位及比较条件尚未验证，不能据此断言某项研究存在数据泄漏。 作者认为现实应用仍受限制，并提出改进自我报告方法、建立通用预处理标准及提高 MWL 评估准确性的需求。复核全文时应关注文献检索与纳入标准、MWL 标签来源、预处理流程、各类泛化协议及统计证据。摘要不足以确认某种深度学习架构优于其他方法，也不能将信息系统实时适应的应用展望视为已验证的 BCI 效果。具体实验协议、消融及统计信息尚未验证。

作者：

Kunjira Kingphai; Yashar Moshfeghi

机构：

尚未验证

发表平台：

IEEE Transactions on Cognitive and Developmental Systems

标识：

3GXJMk4yTj

学术质量 67 / 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 · 2026-09-11 · 状态未知

基于摘要分析。该研究面向表格数据中样本与特征的联合表示，提出基于多维尺度分析的无监督判别性共表示学习模型 DCLMDS，旨在识别复杂数据中的行列共现结构，并刻画样本—特征相关性。原研究背景包括文档聚类、基因表达分析和推荐系统，并非 EEG 或 BCI 验证。 机制方面，作者在模型中引入共表示学习项，以增强不同共现结构之间的可区分性；同时结合模糊集合理论中的隶属度，以软方式表达数据的不确定性。摘要未给出多维尺度分析与共表示项的具体耦合方式、距离定义、目标函数、优化过程或隶属度计算方法，不能据此推定模型结构及训练细节。 作者报告，在 18 个数据集上的实验表明 DCLMDS 能生成准确且具有判别性的共表示。但摘要未提供数据集名称、评价指标、数值、划分协议或对照基线，实验协议、消融及统计信息尚未验证，因此目前无法判断增益幅度、稳定性及适用规模。 平台推测（待验证）：若将 EEG 试次组织为“样本×通道或频带特征”矩阵，该机制可能用于探索试次群组与特征群组的关联；可考虑复用共表示目标和模糊隶属度机制，但需核对并改造距离度量、特征标准化及被试差异处理。这里的判别性针对共现结构，不等同于运动想象等任务的类别可分性。低信噪比、通道相关性及跨被试分布差异可能使模型捕捉伪迹或被试身份，小数据下的结构稳定性也需检验。 一个可检验的小实验是：在固定被试内划分和相同 EEG 特征下，仅用训练数据学习 DCLMDS 表示，与多维尺度分析表示进行对照，再以相同下游分类器评估留出数据的 Accuracy，并检查不同随机种子的稳定性。该建议不代表已有 EEG 效果；相关 EEG 工作尚未检索确认。复现前仍需取得全文，确认推理方式、超参数与实现可用性。

作者：

Zhang Qin; Yinghui Zhang; Hongjun Wang; Zhipeng Luo; Chongshou Li; Tianrui Li

机构：

尚未验证

发表平台：

IEEE Transactions on Human-Machine Systems

标识：

CGcEcempNI

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 · 2026-09-11 · 状态未知

基于摘要分析。该研究针对雾霾、雨滴等不利天气造成的遥感图像退化，提出视觉状态空间模型 Weamba，以线性复杂度建模长程像素依赖，旨在改善图像恢复质量与模型效率之间的权衡。原论文的主要研究对象是遥感图像恢复，并非 EEG 或 BCI。 机制上，作者提出局部增强状态空间模块，聚合互补的局部与全局信息；同时设计多路由扫描策略，用于提取空间变化特征，并缓解既有方法重复扫描方向带来的冗余信息。其对照动机是 CNN 的感受野限制与 Transformer 的二次计算开销；具体网络结构、扫描路径、训练损失及复杂度计算口径尚未验证。 作者报告，在多个基准上的实验中，Weamba 相较先进方法表现良好。摘要未提供基准名称、数据划分、评价指标、数值、基线配置或效率测量条件，因此无法判断优势幅度及其适用范围；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）：可检验的迁移假设是，局部增强与长程依赖建模可能对应 EEG 中局部波形和较长时间上下文的联合表征需求。但原方法依赖图像的二维像素邻接与空间扫描结构，其监督方式及数据规模尚未验证；迁移时可考虑复用状态空间与局部增强机制，而多路由扫描须根据时间顺序、通道位置及缺失通道情况重新设计。低信噪比、跨被试差异及小数据可能使复杂路由引入冗余或过拟合，图像恢复结果不能作为 BCI 有效性的证据。一个可证伪的小实验是在固定 EEG 数据划分、训练预算和任务指标下，比较普通状态空间模型、加入局部增强的版本及进一步加入通道路由的版本，并同时记录性能与计算成本。相关 EEG 工作尚未检索确认。

作者：

Shuang Wu; Xin He; Xiang Chen

机构：

尚未验证

发表平台：

Remote Sensing

标识：

EqMWeyfIJv

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 · 2026-09-11 · 状态未知

基于摘要分析。该研究针对基于 EEG 的阿尔茨海默病（AD）检测中数据规模不足与被试间差异较大的问题，整理 EEG-AD 语料，并提出 LEAD 基础模型，将自监督对比预训练、通道对齐的多数据集微调和被试级检测整合为完整流程。其主要研究对象是 AD 检测，而非 BCI 指令解码。 数据与训练：作者报告整理的 EEG-AD 语料包含 813 名被试，并称其为据作者所知规模最大的 EEG-AD 数据集；这一规模比较尚未独立核验。模型在 11 个 EEG 数据集上预训练，其中 4 个为 AD 数据集、7 个为非 AD 数据集，再在 5 个通道对齐的 AD 数据集上联合微调。预训练同时采用样本级与被试级对比学习，目标是提取通用 EEG 特征；骨干编码器引入时间与通道嵌入，以表征时间和空间维度。具体对比样本构造、损失形式、模型规模及通道对齐实现尚未验证。 评估与结果：摘要说明采用被试独立评估，并通过多数投票形成被试级检测结果。作者报告，相较其所称的现有最先进方法，样本级 F1 最高提升 9.86%，被试级 F1 最高提升 9.31%。摘要未明确这两个提升值属于相对百分比还是百分点，也未给出对应数据集、划分、基线及绝对 F1，因此不能据此直接比较不同协议下的性能。作者认为结果支持被试级对比预训练与通道对齐的联合微调缓解被试间差异，但其各自贡献仍需核对全文中的消融与统计结果。 复现核对：摘要提供匿名源码地址，但代码内容与可运行性尚未验证。应进一步核对各数据集在预训练、微调和评估中的被试划分及重叠情况、预处理与通道映射、被试级多数投票规则，以及各数据集分别报告的结果。实验协议、消融及统计信息尚未验证；现有材料不足以确认跨数据集泛化或临床诊断效用。

作者：

Yihe Wang; Nan Huang; Nadia Mammone; Marco Cecchi; Xiang Zhang

机构：

尚未验证

发表平台：

Submitted to ICML 2025

标识：

cz4EevJGHf

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 · 2025-06-18 · 预印本

基于摘要分析。该研究针对多面体表示学习中侧重顶点序列、难以充分刻画复杂表面的问题，提出 PolyhedronNet，将顶点、边、面及其几何关系统一建模为 surface-attributed graph，并学习用于分类、检索等任务的全局表示。 机制上，作者先将表面属性图分解为局部刚性表示，以描述各局部区域相对于其余区域的位置；随后使用 PolyhedronGNN，通过面内与面间几何消息传递进行层次聚合。作者称该设计可在减少几何信息损失的同时保持旋转和平移不变性。相较摘要所述的顶点序列方法，其主要思路是显式纳入面及跨面的几何关系，而非仅依赖顶点排列。局部表示的数学定义、不变性保证、损失函数及训练流程尚未验证。 作者报告在四个数据集上开展了分类与检索评估，结果支持该方法对三维多面体信息的表征能力。摘要未提供数据集名称、划分方式、对照方法或具体指标，因此不能据此判断提升幅度与适用边界；实验协议、消融及统计信息尚未验证，代码与复现条件也尚未验证。 平台推测（待验证）：迁移假设主要适用于具有显式三维表面结构的 EEG 电极布局或皮层网格，而非直接处理 EEG 时间序列。面内与面间几何聚合可能用于空间表示，但需改造节点或面属性以承载电生理信号，并另行建模时间动态。其依赖的顶点—边—面拓扑在稀疏电极、跨被试布局变化或通道缺失时可能不稳定；低信噪比和小数据也可能削弱几何先验的收益。可检验的小实验是在固定 EEG 任务与相同数据划分下，对比普通电极图与表面属性图的空间编码，并测试旋转、通道缺失条件下的稳定性；这只是迁移假设，不是已验证的 BCI 效果。已有 EEG 相关工作尚未检索确认。

作者：

Dazhou Yu; Genpei Zhang; Liang Zhao

机构：

尚未验证

发表平台：

ICLR 2025 Poster

标识：

BpyHIrpUOL

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 · 2025-03-14 · 已接收

基于摘要分析。该研究针对数据中群结构的发现问题，提出基于有限群表示理论的可微学习方法，以绕开群公理难以直接纳入深度学习的障碍。核心贡献是用表示矩阵的乘法建模群元素间的交互，并结合促进表示酉性的正则项，使模型隐式倾向于形成有效的群结构。 机制上，网络架构承担群元素交互的建模，酉性约束则为表示提供结构性限制。摘要没有给出正则项的具体形式、网络实现、群元素编码方式，或如何检验所得结构满足群公理；因此，不能将这一隐式促进机制等同于严格保证恢复有效群结构。方法依赖有限群及其表示框架，部分观测的具体形式、监督来源和适用规模尚未验证。 作者报告，在部分观测条件下，该方法能够准确恢复群运算及其酉表示，显著提高样本效率，并相对作者所称的现有最佳方法实现 ×1000 加速。摘要未提供群类型、观测比例、数据划分、恢复指标、对照方法、计时口径或硬件条件，故这些结果目前只能视为作者在其评估条件下的报告，不能外推为一般任务中的加速幅度。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务存在可明确描述为有限群作用的标签保持变换，可尝试复用表示矩阵乘法与酉性正则，探索结构化不变性学习；但需改造 EEG 输入编码与变换定义，并先验证这些变换是否保留任务标签。低信噪比、跨被试差异、通道配置变化及小数据可能使假定的群结构难以辨识。一个可证伪的小实验是在固定被试内划分下，对经任务知识确认的有限变换集，比较加入与不加入酉性正则时的结构恢复和下游分类表现。此实验属于迁移假设，而非论文已验证结果；已有 EEG 相关工作尚未检索确认。

作者：

Dongsung Huh

机构：

尚未验证

发表平台：

ICLR 2025 Poster

标识：

Tz8Li6G2xU

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 · 2025-04-14 · 已接收

基于摘要分析。本文研究能否在不改变已训练深度学习模型参数的前提下，通过模型重编程增强其对对抗扰动或输入噪声的鲁棒性。作者重新考察表征学习中的特征变换机制，提出非线性鲁棒模式匹配作为替代，并设计三种模型重编程范式，以适应不同的效率要求。 技术机制：摘要将方法与鲁棒统计联系起来，核心是调整特征变换，而非修改原模型参数。但模式匹配的数学定义、重编程作用位置、是否引入可训练附加参数、损失函数，以及三种范式各自的训练与推理开销均尚未验证。“不改变模型参数”不能据此理解为完全无需训练或没有额外计算成本。 作者报告，在涵盖基础线性模型、MLPs、浅层及现代深层 ConvNets 的实验与消融中，该方法表现有效。摘要未提供数据集、扰动类型与强度、评估指标、对照基线或具体数值，因此目前不能量化收益，也不能判断对抗鲁棒性与普通噪声鲁棒性的改善是否一致。实验协议、消融及统计信息尚未验证。材料提供了实现仓库，但代码完整性、运行依赖及复现条件尚未核验。 平台推测（待验证）：若该机制能用于时序特征变换，则可能为冻结 EEG 解码器后的噪声鲁棒性改造提供思路；这是假设，不是论文已验证的 BCI 结论。可复用对象是鲁棒模式匹配与重编程框架，需改造其对多通道时序输入及通道结构的适配；所需监督信息与数据规模尚不明确。低信噪比条件下，鲁棒处理可能同时抑制微弱任务信号，也未必能解决跨被试分布差异或通道缺失，小数据下附加模块还可能过拟合。一个可检验的小实验是冻结同一 EEG 解码器，在固定被试内划分下，对比原模型与重编程版本在干净输入和预先定义的噪声扰动下的 Accuracy 与推理开销，且保持测试数据不参与拟合。已有 EEG 相关工作尚未检索确认。

作者：

Zhichao Hou; MohamadAli Torkamani; Hamid Krim; Xiaorui Liu

机构：

尚未验证

发表平台：

ICLR 2025 Spotlight

标识：

SuH5SdOXpe

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 · 2025-03-01 · 已接收

基于摘要分析。本文研究语言模型在超长上下文下的计算效率与长度泛化问题，提出 Samba，通过逐层结合选择性状态空间模型 Mamba 与 Sliding Window Attention（SWA），兼顾历史信息压缩和近期信息的精确召回。主要研究对象是语言序列，并非 EEG 或 BCI。 机制上，Mamba 将序列选择性压缩为递归隐藏状态，SWA 则承担近期记忆的注意力访问。该组合旨在缓解全注意力的二次计算复杂度，同时改善仅依赖压缩状态时的信息召回。摘要将 Samba 描述为线性时间序列模型，但具体层间配置、窗口大小、状态容量、损失与训练细节尚未验证。 作者报告，将 Samba 扩展至 3.8B 参数并使用 3.2T 训练 tokens 后，在多项基准上优于所比较模型；摘要未给出逐项分数。以 4K 长度序列预训练时，作者报告零样本外推至最高 1M 上下文长度时困惑度有所改善，但具体比较参照尚未验证。以 4K 长度序列微调后，作者报告在 Passkey Retrieval 中外推至 256K 上下文仍实现完全记忆召回，并在 Phonebook 任务上表现出优于全注意力模型的检索外推能力。效率方面，作者报告在 128K 长度用户提示下，相比采用 grouped-query attention 的 Transformers，吞吐量为其 3.73 倍；在无限流式生成 64K tokens 的设置下，实现 3.64 倍加速。硬件、批量大小、精度、数据划分、对照配置、消融及统计信息尚未验证。 平台推测（待验证）：递归状态压缩与局部精确访问的组合可能对应 EEG 长记录处理中的计算与局部时序保真瓶颈。可复用的是混合序列骨干；需改造连续信号输入、通道组织和任务输出，并重新设计训练目标。原研究依赖大规模语言 tokens 与语言建模、检索任务，不能假定在低信噪比、小数据或跨被试 EEG 上同样有效；状态压缩可能丢失短暂事件，局部注意力也可能不足以保留远距离弱信号。可检验的小实验是在固定数据划分与训练预算的 EEG 任务中，对比 Mamba、SWA 与混合骨干，在延长输入窗口时同时观察任务指标、吞吐量和显存占用。已有 EEG 相关工作尚未检索确认。

作者：

Liliang Ren; Yang Liu; Yadong Lu; yelong shen; Chen Liang; Weizhu Chen

机构：

尚未验证

发表平台：

ICLR 2025 Poster

标识：

bIlnpVM4bc

学术质量 80 / 100 · 兴趣权重 3 · 机制对应，EEG/BCI 效果尚未验证

• openreview · 元数据快照 · 2025-02-28 · 已接收

基于摘要分析。本文研究如何从学习理论角度理解不同 AI 模型之间的表征对齐，核心贡献是将任务语境中的 stitching 性质与底层表征的 kernel alignment 联系起来，而非仅以经验相似度判断表征是否对齐。 作者首先梳理并联系基于度量、概率与谱的不同对齐概念，随后聚焦 stitching，即在具体任务中考察不同表征之间的衔接与相互作用。作者报告，其理论结果建立了 stitching 性质与 kernel alignment 的关联，并将这一工作定位为把表征对齐形式化为学习理论问题的初步探索。摘要未给出具体定理、假设、界或 stitching 的实现方式，不能据此判断该关联是否意味着任务性能等价。 文中关于模型规模与性能提高时表征趋于对齐、乃至趋向共同现实统计模型的说法，是研究背景中的既有观点与猜想，不应视为本文已经证实的结论。具体数据、监督条件、模型规模依赖、实验协议、消融及统计信息尚未验证；复现或核验需取得正文中的对齐定义、理论假设及任务设置。 平台推测（待验证）：若该理论能处理不同表征空间及任务监督条件，可用于分析 EEG 跨被试或跨模型表征的相似性是否对应实际解码可迁移性。可借鉴的是 kernel alignment 与 stitching 的联合分析；需改造的是通道对应、表征接口及跨被试评估协议。低信噪比、被试差异和小样本可能使相似度估计不稳定。一个可检验的小实验是在固定跨被试划分下，比较不同 EEG 表征的 kernel alignment 与受控 stitching 后任务表现是否一致变化；这不是本文已验证的 EEG 结果，已有 EEG 相关工作尚未检索确认。

作者：

Francesco Insulla; Shuo Huang; Lorenzo Rosasco

机构：

尚未验证

发表平台：

ICLR 2025 Poster

标识：

DShqJA1Z64

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 · 2025-03-03 · 已接收

基于摘要分析。该研究面向通用序列学习中的长程依赖问题，提出概率脉冲状态空间模型 P-SPIKESSM，尝试缓解传统 leaky integrate-and-fire（LIF）神经元标量膜电位表示能力有限、脉冲生成依赖顺序计算的限制；其主要研究对象并非 EEG 或 BCI。 机制上，作者以状态空间模型（SSM）构建神经元模型，通过 SpikeSampler 层随机采样脉冲，并支持并行计算，区别于 LIF 使用确定性 Heaviside 函数生成脉冲的过程。针对脉冲操作的不可微性，作者提出适配随机采样性质的替代函数以支持训练。SpikeMixer block 用于整合每层神经元群体的脉冲，随后由带残差连接的 ClampFuse 层捕获复杂依赖、支持模型扩展。具体状态更新、采样分布、替代函数形式及训练损失尚未验证。 作者报告，在 Long Range Arena、permuted sequential MNIST 和 Speech Command dataset 的长程依赖任务中，该模型取得 SNN 模型范围内的最先进性能，并呈现稀疏脉冲模式。摘要未提供具体指标、数据划分、对照配置或硬件测量，因此尚不能量化性能优势，也不能仅凭脉冲稀疏性确认实际运行时间或能耗收益。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其长程状态表示与稀疏脉冲计算可能对应 EEG 长时间序列建模的需求。迁移假设是，SSM 状态能保留跨时间信息，随机脉冲编码仍能维持任务相关信号；可考虑复用 SpikeSampler、SpikeMixer 和 ClampFuse，但需改造连续多通道 EEG 的输入编码、通道融合及任务输出。低信噪比下随机采样可能丢失微弱判别信息，跨被试差异、通道配置变化及小数据训练也可能削弱效果。可在固定的 EEG 被试内数据划分上，对照匹配训练预算的非脉冲 SSM 与 P-SPIKESSM，检验任务指标、噪声扰动敏感性及实测推理成本，而非将原领域结果直接视为 BCI 有效性证据。已有 EEG 相关工作尚未检索确认。

作者：

Malyaban Bal; Abhronil Sengupta

机构：

尚未验证

发表平台：

ICLR 2025 Poster

标识：

Sf4ep9Udjf

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 · 2025-03-16 · 已接收

基于摘要分析。该研究针对视觉场景中的对象中心表征学习，考察将场景实体分解为独立向量的方法，能否像其依赖的预训练基础模型一样迁移到未见数据。研究构建包含七个合成与真实世界数据集的基准，分析迁移表现的影响因素，并提出面向无监督对象发现的预训练视觉编码器微调策略。 核心问题是基础模型特征的通用性是否能够延续到对象中心表征：已有方法利用 DINO 等模型的特征处理真实世界场景，但此前主要在同一数据集上训练和评估。本文将评估重点转向跨数据集迁移，并尝试通过任务特定微调，使视觉编码器更适合对象发现。摘要未提供微调目标、损失形式、对象分解模块或训练流程，具体实现尚未验证。 作者报告，在所构建的迁移基准中，使用多样化真实世界图像训练可改善对未见场景的泛化；提出的微调方法在无监督对象发现上达到作者所称的最先进表现，并对未见数据集展现较强的零样本迁移能力。摘要未给出数据集名称、指标数值、对照方法及各项结果对应的划分，不能据此量化收益或判断不同协议下的可比性。实验协议、消融及统计信息尚未验证，复现还需核对编码器初始化、微调数据、目标域访问规则和评估实现。 平台推测（待验证）：其可供 EEG 研究参考的是“通用预训练表征仍需检验下游结构化模块的跨域迁移”这一评估思路，而非已验证的神经信号方法。假设 EEG 中能够定义有意义的潜在源或事件单元，可探索独立向量分解是否缓解跨被试表征混杂；但视觉对象与 EEG 源并非直接对应，需要改造输入编码、时序建模与分解约束，低信噪比、体积传导、通道配置变化及小数据微调均可能使其失败。一个可证伪的小实验是在固定 Cross-subject 划分和相同数据预算下，对比冻结编码器与任务特定微调，并检验分解表征是否带来稳定的目标被试收益。相关 EEG 工作尚未检索确认。

作者：

Aniket Rajiv Didolkar; Andrii Zadaianchuk; Anirudh Goyal; Michael Curtis Mozer; Yoshua Bengio; Georg Martius; Maximilian Seitzer

机构：

尚未验证

发表平台：

ICLR 2025 Poster

标识：

bSq0XGS3kW

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 · 2025-03-02 · 已接收

基于摘要分析。该研究探讨状态空间模型（SSMs）结合全连接神经网络后，能否根据输入动态提取关键 token，并在特定任务与函数类下建立其与 Transformers 的能力比较。 核心机制与理论贡献：作者指出，既有理论研究多关注不含非线性层的 SSM 层，难以充分解释 SSM 与非线性模块组合后的能力。本文将研究对象扩展到 SSM 与全连接神经网络的组合；作者报告，这种组合在输入依赖的关键 token 提取能力上可与 Transformers 相当。摘要未给出具体网络结构、动态选择机制、证明假设或复杂度界，不能据此推断任意 SSM 架构均具备同等能力。 任务与结果：作者报告，在两个对单个 SSM 层具有挑战性的合成任务上，加入非线性层的 SSM 能高效求解；此外，在非参数回归问题中，作者证明 SSM 与 Transformers 对某一函数类的估计能力等价。合成任务定义、函数类约束、样本规模、评估指标及比较协议尚未验证，因此这些结论应限定在论文所设条件内，而非推广为一般任务上的性能等价。 平台推测（待验证）：若 EEG 任务需要按输入选择少量关键时间片段，该理论可能为评估 SSM 与非线性模块的组合提供依据。但其对 EEG 低信噪比、跨被试变化和小样本条件的适用性尚未验证；需先核对定理对输入结构、监督形式及函数类的要求，再判断是否具备迁移路径。已有 EEG 相关工作尚未检索确认。全文证明、实验协议、消融及统计信息尚未验证。

作者：

Naoki Nishikawa; Taiji Suzuki

机构：

尚未验证

发表平台：

ICLR 2025 Poster

标识：

QFgbJOYJSE

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 · 2025-03-05 · 已接收

基于摘要分析。本研究关注信噪比不同的 iEEG 与 EEG 如何影响深度学习信号压缩及跨模态迁移，提出用于两类信号的高保真神经压缩器 BrainCodec。其主要贡献是比较不同训练数据来源对 EEG 重建的影响，并结合下游任务与专家评估检验压缩信号的保真度。 方法与对照：作者将直接测量脑内电活动、信噪比较高的 iEEG 与较嘈杂的头皮 EEG 作为训练来源。作者报告，在 iEEG 上训练 BrainCodec 后迁移至 EEG，其重建质量优于直接在 EEG 上训练；同时使用 EEG 与 iEEG 训练也能改善 EEG 重建保真度。摘要未交代压缩器架构、损失函数、编码表示，以及迁移是否需要微调，因此不能据此确定性能改善的具体机制。 结果与验证：作者报告，BrainCodec 在 iEEG 和 EEG 上可实现最高 64 倍压缩而未出现明显质量下降，并在最终压缩比和重建保真度上超过所比较的现有压缩模型。该数值对应的具体数据、编码设置、质量指标及对照模型尚未验证。作者还用标准深度学习模型执行癫痫发作检测和运动想象分类，报告压缩重建信号未导致下游任务性能下降；另有一名神经科专家的主观评估支持其在现实场景中的重建质量。这些结论尚不能外推为所有 EEG/BCI 任务或所有压缩设置下均无损。 复现与适用边界：摘要提供了代码仓库，但数据集、被试数量、被试内或跨被试划分、训练数据规模、任务指标、消融及统计信息尚未验证。复现时需核对不同训练来源的数据量与预处理是否可比，以及下游评估的划分和压缩设置；专家评估的流程与适用范围也需结合全文确认。作者据此提出高信噪比数据有利于医学时间序列模型的结论，其普适性仍需更多数据与任务验证。

作者：

Francesco S. Carzaniga; Gary Tom Hoppeler; Michael Hersche; Kaspar Schindler; Abbas Rahimi

机构：

尚未验证

发表平台：

ICLR 2025 Poster

标识：

b57IG6N20B

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 · 2025-02-11 · 已接收

基于摘要分析。研究针对长序列学习中的计算效率、动力学稳定性与长程依赖建模问题，提出 Linear Oscillatory State-Space models（LinOSS），以受迫谐振子系统构建状态空间模型，并通过稳定离散化及快速关联并行扫描实现序列计算。 核心机制与理论：作者以生物神经网络的皮层动力学为启发，报告证明 LinOSS 在对角状态矩阵非负的条件下可产生稳定动力学，并将这一条件与既有状态空间模型的限制性参数化作对照。作者还报告其通用逼近能力，即可按所需精度逼近时变函数之间的连续因果算子；一种隐式—显式离散化则保持底层动力学的时间可逆对称性。上述结论的完整假设、适用范围及证明细节尚未验证，不能直接等同于任意任务上的预测准确性保证。 实验结果：作者报告在中等至超长序列分类、回归及长时域预测任务上优于所比较的先进序列模型；其中，在序列长度为 50k 的一项序列建模任务中，相对 Mamba 和 LRU 的表现接近两倍。摘要未明确该倍数对应的指标、数据集、划分与训练预算，因此不能解释为 Accuracy 翻倍或计算加速。实验协议、消融及统计信息尚未验证；模型规模、预处理与复现资源也需查阅全文。 平台推测（待验证）：迁移假设是，振荡状态与稳定长程演化可能有助于 EEG 的节律及长时间上下文建模，但原领域有效不等于 BCI 有效。可考虑复用状态更新与并行扫描，需改造多通道输入及任务读出；低信噪比、非平稳性、被试差异、通道变化和小数据规模均可能削弱收益。可检验的小实验是在固定 EEG 数据划分、预处理及训练预算下，对比 LinOSS、Mamba 与 LRU，分别报告被试内和跨被试的同一任务指标，并考察序列长度变化是否带来稳定收益。已有 EEG 相关工作尚未检索确认。

作者：

T. Konstantin Rusch; Daniela Rus

机构：

尚未验证

发表平台：

ICLR 2025 Oral

标识：

GRMfXcAAFh

学术质量 81 / 100 · 兴趣权重 3 · 机制对应，EEG/BCI 效果尚未验证

• openreview · 元数据快照 · 2025-02-28 · 已接收

基于摘要分析。本文研究输入序列的时间结构如何影响状态空间模型（SSM）的初始化与优化，核心贡献是将输入自相关纳入分析，连接序列长度、SSM 时间尺度及状态矩阵特征值的作用。原论文研究对象是通用序列建模中的 SSM 初始化，而非 EEG 或 BCI。 作者指出，现有初始化方法主要依赖以 SSM 核基函数进行在线函数逼近的 HiPPO 框架，但该框架未显式考虑输入时间结构对优化的影响。作者报告三项分析结论：其一，基于序列自相关严格刻画 SSM 时间尺度对序列长度的依赖；其二，在时间尺度适当时，允许状态矩阵特征值的实部为零，可缓解“记忆诅咒”，同时保持初始化时的稳定性；其三，特征值虚部决定 SSM 优化问题的条件性，并在特定目标函数类别下揭示逼近与估计之间的权衡。摘要未给出目标函数类别、稳定性的具体定义、理论假设或实验结果，相关证明条件、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，EEG 的自相关结构可能为 SSM 时间尺度初始化提供依据，而不应仅按输入长度设定记忆范围。可复用的是时间尺度与特征值初始化的分析思路；需改造的是自相关估计及其与采样率、通道差异和预处理的对应关系。低信噪比、伪迹、跨被试差异及小样本可能使自相关估计不稳定，多通道依赖也未必能由单一时间尺度描述。一个小规模检验是在固定 SSM、训练预算和 Cross-subject 划分下，仅用训练数据估计自相关，对比 HiPPO 初始化与据此调整的初始化，观察收敛及同一任务指标是否稳定改善。具体初始化规则须待全文核对后确定；已有 EEG 相关工作尚未检索确认。

作者：

Fusheng Liu; Qianxiao Li

机构：

尚未验证

发表平台：

ICLR 2025 Poster

标识：

sZJNkorXMk

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 · 2025-02-11 · 已接收