BCI 科研雷达

基于摘要分析。本文研究原始音频处理中的状态空间模型（SSM）设计与计算效率，提出 Centaurus：将广义 SSM 块的训练运算表示为张量收缩，并系统确定各块的最优收缩顺序，以扩大结构设计空间、兼顾性能与资源开销。 核心机制是突破常见的深度可分离配置，借鉴经典卷积块中的分组卷积、全卷积与瓶颈结构，设计不同类型的 SSM 块。Centaurus 混合使用这些块，目标是在网络规模、任务性能以及训练和推理的内存与计算效率之间取得平衡。摘要未给出具体状态更新方程、张量维度、收缩顺序搜索方法或训练损失，尚不能判断优化过程的额外成本及其硬件依赖。 作者报告，在关键词识别、语音去噪和自动语音识别（ASR）等原始音频任务中，异构网络优于同构网络。作者还声称，Centaurus 是首个具备竞争力且可完全基于状态空间构建的 ASR 网络，不使用 LSTM 等非线性递归、显式 CNN 卷积或替代注意力机制。这些结论的具体数据集、划分、基线、指标、资源测量、消融及统计信息尚未验证；摘要未提供可核对的数值。 平台推测（待验证）：其潜在 EEG 价值在于结合时序建模与更灵活的通道交互，而不是音频结果本身证明了 BCI 有效性。该假设依赖多通道时序结构及足够的任务训练数据；可复用广义 SSM 块与收缩优化思路，但需改造输入通道组织和任务输出。EEG 的低信噪比、通道配置差异、跨被试分布变化及小数据规模可能使复杂通道交互过拟合。一个可检验的小实验是：在固定 EEG 数据划分、预处理和近似参数预算下，对比同构深度可分离 SSM 与异构 SSM，分别核对任务指标、训练时间和峰值显存；被试内与跨被试结果应分开报告。已有 EEG 相关工作尚未检索确认。

作者：

Yan Ru Pei

机构：

尚未验证

发表平台：

ICLR 2025 Spotlight

标识：

PkpNRmBZ32

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 · 2025-02-11 · 已接收

基于摘要分析。本文研究选择性 State Space Models（SSMs）在资源受限移动设备上的部署问题，提出结合稀疏学习与架构感知编译优化的端到端框架，以降低计算和带宽需求，同时尽量保留选择性机制的任务性能。主要研究对象是通用序列模型的移动端压缩与加速，而非 EEG 或 BCI。 核心机制是 C₄ⁿ kernel sparsity：每四个连续权重剪除 n 个元素，并通过编译器加速支持这种稀疏模式。框架可针对不同模型规模，按目标稀疏度或延迟要求生成优化后的稀疏模型；另利用被剪除权重的信息补偿保留权重，以改善下游任务表现。摘要未说明补偿公式、剪枝训练流程或选择性机制的具体实现，这些细节尚未验证。 硬件侧提出针对 C₄ⁿ 的专门优化及布局变换消除策略，旨在缓解线性层细粒度剪枝的执行低效，并改善其他算子的性能。作者报告，其方法在所评估的下游任务中优于其他半结构化剪枝方法，并在移动设备上相较 llama.cpp 获得最高 7 倍加速。摘要未给出模型名称、任务与数据集、设备型号、精度配置、输入长度、计时范围及具体对照设置，因此不能将该最高加速解释为所有模型或设备的普遍收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 序列模型采用可适配的 SSM 与线性层，稀疏模式和编译优化可能用于缓解便携式 BCI 的推理延迟与内存带宽瓶颈。可复用部分是权重稀疏化、补偿及执行优化；需改造部分包括 EEG 输入接口、任务训练流程与目标设备算子支持。这一路径依赖可用的已训练模型和任务数据，低信噪比、小数据及跨被试或通道差异可能使剪枝后的性能保持更困难。一个可检验的小实验是在固定 EEG 任务划分与同一设备上，比较原模型、仅剪枝模型和剪枝加编译优化模型的任务指标、端到端延迟与峰值内存，并区分稀疏化和执行优化的贡献。相关 EEG 工作尚未检索确认。

作者：

Xuan Shen; Hangyu Zheng; Yifan Gong; Zhenglun Kong; Changdi Yang; Zheng Zhan; Yushu Wu; Xue Lin; Yanzhi Wang; Pu Zhao; Wei Niu

机构：

尚未验证

发表平台：

ICLR 2025 Poster

标识：

t8KLjiFNwn

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 · 2025-02-23 · 已接收

基于摘要分析。RFMamba 研究如何将状态空间模型（SSM）用于基于射频（RF）信号的以人为中心感知，核心贡献是设计双分支 SSM 模块，自适应提取有信息量的频率线索与辅助空间信息，并构建面向多种下游感知任务的网络。 原问题与机制：摘要将 RF 感知的困难归纳为信号表征差异、不同场景下的频率响应差异，以及镜面反射导致的信息捕获不完整。作者以 SSM 的长序列建模能力和线性复杂度为出发点，通过频率与空间两类线索探索雷达回波中的人体表征。摘要未说明频率线索的具体计算方式、空间分支的数据组织、分支融合机制、损失函数及训练流程，这些细节尚未验证。 结果与证据边界：作者报告 RFMamba 在三个下游任务上均取得优于对照的表现，但摘要未给出任务名称、数据集、划分协议、对照基线或量化指标，因此不能判断优势幅度及不同协议下的稳定性。作者称这是据其所知首次将 SSM 引入基于 RF 的以人为中心感知，该优先性主张尚未独立核验。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，频率线索选择与长序列建模可能对应 EEG 中频带相关信息提取及长时间依赖建模的需求，但雷达回波中的空间与反射结构不等同于 EEG 电极拓扑。可考察复用 SSM 序列模块与频率选择思路，空间分支则需依据通道布局改造；具体监督方式和所需数据规模尚不明确。低信噪比、跨被试频谱差异、通道变化及小数据过拟合均可能使迁移失效。一个可证伪的小实验是：在固定 EEG 数据划分与训练预算下，比较基础 SSM 与加入频率选择模块的版本，并用移除频率选择的消融检验增益是否稳定。该实验仅为迁移验证建议，已有 EEG 相关工作尚未检索确认。

作者：

Rui Zhang; Ruixu Geng; Yadong Li; Ruiyuan Song; Hanqin Gong; Dongheng Zhang; Yang Hu; Yan Chen

机构：

尚未验证

发表平台：

ICLR 2025 Poster

标识：

lG9fjBLb6d

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 · 2025-03-01 · 已接收

基于摘要分析。本文研究用于偏差缓解的公平表征学习，核心贡献是通过因果推理区分并形式化数据集偏差来源，揭示这类方法的隐含假设，并分析其在同分布评估与分布偏移下的适用边界。 理论方面，作者报告：当评估数据与训练数据来自同一分布时，公平表征学习存在基本局限。摘要未给出定理的具体假设、公平性定义、任务性能目标或局限的数学形式，因此不能将其概括为所有公平表征方法均无效，也不能断言公平性与准确率必然冲突。 实验方面，作者在多种医学模态上考察分布偏移下的公平表征学习。作者报告，数据背后的因果与统计因素会影响方法有效性，并认为这些因素有助于解释既有文献中的表面矛盾；据此，作者质疑当前评估实践及其在性能敏感场景中的适用性，主张更细粒度地分析数据集偏差。具体医学模态、数据集、样本量、划分、对照、指标和效应大小未在摘要中提供，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：对 EEG/BCI 的潜在启示是，不能直接把被试或群体相关信息全部视为应消除的偏差；假设其中部分信息同时承载任务信号，去除它们可能损害解码。可复用的是偏差来源的因果分析与分布偏移评估思路，而非摘要中尚未披露的具体模型。小规模检验可固定解码器与数据划分，对比原始表征和公平表征在被试内、跨被试条件下的任务指标与预先定义的公平性指标，并核对低信噪比、小样本及通道变化的影响。该假设不代表已证实的 EEG 效果，已有 EEG 相关工作尚未检索确认。

作者：

Charles Jones; Fabio De Sousa Ribeiro; Mélanie Roschewitz; Daniel C. Castro; Ben Glocker

机构：

尚未验证

发表平台：

ICLR 2025 Poster

标识：

pBZntPrdrI

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 · 2025-02-11 · 已接收

基于摘要分析。本文研究长序列建模中状态空间模型（SSMs）的设计问题，提出将 SSM 理解为特定在线学习问题的元模块，并从在线学习目标的优化过程推导状态转移规则。基于这一视角，作者提出 Longhorn，其核心是利用在线回归目标的隐式更新构建深层 SSM 架构。 机制与贡献：原论文主要面向通用序列建模与语言建模，而非 EEG 或 BCI。摘要以 Transformer 随序列长度增长的二次计算成本为背景，强调 SSM 在线性解码效率和训练并行化方面的潜力。其方法贡献不是单纯提出一种递推形式，而是尝试以明确的在线学习目标解释和设计递推规则。在线回归目标的具体形式、隐式更新的求解方式、状态参数化及训练细节尚未验证；这里的“在线学习”是模型设计视角，不能直接等同于部署阶段的测试时自适应。 结果与证据边界：作者报告，在标准序列建模基准和语言建模任务上，所提模型优于包括 Mamba 在内的先进 SSM。摘要未提供具体数据集、指标、分数、模型规模或对照配置，因此无法判断优势幅度与适用条件。实验协议、消融及统计信息尚未验证，复现还需核对完整算法、训练配置与实现可得性。 平台推测（待验证）：假设在线回归驱动的状态更新能够用于 EEG 长时序表征，其潜在对应点是以递推状态压缩历史信息，而非直接解决跨被试差异。可考虑复用状态更新机制，但需改造 EEG 通道或时间片的输入表征及任务输出；原方法依赖的回归监督构造、序列规模与数据结构仍需全文确认。低信噪比、通道变化和小数据条件可能使状态更新受噪声干扰或学习不足。一个可证伪的小实验是在固定跨被试划分、相同预处理和相近训练预算下，对比 Longhorn 与 Mamba 在同一 EEG 解码任务上的任务指标、运行开销及噪声敏感性，检验其优势能否迁移。已有 EEG 相关工作尚未检索确认。

作者：

Bo Liu; Rui Wang; Lemeng Wu; Yihao Feng; Peter Stone; qiang liu

机构：

尚未验证

发表平台：

ICLR 2025 Poster

标识：

8jOqCcLzeO

学术质量 78 / 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。PICASO 研究为 Large Language Models 在推理时注入多个外部文本上下文的问题：将上下文预先映射为固定维度的状态，再组合这些状态，以降低在线处理原始上下文 token 的计算成本。其主要贡献是基于 State Space Models（SSMs）动力学构造状态组合方法，并通过对上下文排列进行聚合实现排列不变性。 核心机制：独立上下文可以分别编码成 SSM 状态，但现有 SSM 不易直接利用多个独立状态共同条件化生成。作者利用从 SSM 动力学导出的数学关系，将多个状态组合为一个状态，近似拼接原始上下文 token 后的效果。考虑到上下文之间的排列顺序往往不携带有效信息，方法进一步高效计算所有可能排列对应组合状态的平均值。摘要未提供具体公式、近似成立条件、平均计算方式或微调目标，这些细节尚未验证；排列不变针对上下文之间的顺序，不应理解为取消各段文本内部的 token 顺序。 评估与结果：作者报告在 WikiText 和 MSMARCO 上，分别采用 zero-shot 与 fine-tuned 设置进行评估，方法能够匹配表现最强的对照基线，并获得平均 5.4 倍加速。摘要未说明基线名称、任务指标、各设置的具体结果，以及加速是否计入上下文预编码成本；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，若 EEG 系统需要聚合多个无自然先后关系的参考片段或被试校准上下文，状态组合可能减少重复编码开销。可复用的是状态组合与排列聚合思路，需改造信号编码及条件化预测接口；前提是 EEG 编码器的状态动力学支持相应组合关系。连续 EEG 的时间顺序通常具有意义，不能直接对连续片段强制排列不变；低信噪比、跨被试差异、通道不一致及小数据微调也可能使状态近似失效。可检验的小实验是在固定划分和同一 SSM 编码器下，对多个独立校准片段比较原始拼接、状态组合及排列不变组合，核对任务指标、顺序敏感性和包含预编码成本的端到端耗时。已有 EEG 相关工作尚未检索确认。

作者：

Tian Yu Liu; Alessandro Achille; Matthew Trager; Aditya Golatkar; Luca Zancato; Stefano Soatto

机构：

尚未验证

发表平台：

ICLR 2025 Poster

标识：

88TC1AWV27

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 · 2025-03-16 · 已接收

基于摘要分析。NeuroLM 针对 EEG 预训练模型往往需要为每个下游任务进行全量微调的问题，将 EEG 视为一种“外语”，利用 LLM 构建同时处理 EEG 与语言的多任务基础模型，尝试通过指令微调在单一模型中统一多种 EEG 任务。 核心流程包含三个环节：首先，通过向量量化的时频预测学习与文本对齐的神经信号 tokenizer，将 EEG 编码为离散 token；其次，冻结向量量化（VQ）编码器，将其生成的 EEG token 输入 LLM，以多通道自回归学习 EEG 的因果信息；最后，通过多任务指令微调适配下游任务。摘要未交代文本对齐的具体监督来源、时频预测目标、通道间序列组织及指令格式，这些机制细节尚未验证。这里的“因果信息”是作者对自回归学习目标的表述，不能据此理解为已识别神经生理因果关系。 规模与评估方面，作者报告最大变体 NeuroLM-XL 具有 1.7B 参数，并在约 25,000 小时 EEG 数据组成的语料上预训练；作者报告在六个不同下游数据集上的评估展示了多任务学习范式的潜力。摘要未提供数据集名称、具体任务、被试数、划分协议、对照基线或量化指标，因此尚不能判断被试内、跨被试、跨会话或跨数据集泛化能力，也不能确认相对逐任务全量微调的性能和计算资源收益。作者将该方法定位为首次借助 LLM 与指令微调统一多种 EEG 任务，这一优先性主张尚未独立核实。 复现时需要核对 tokenizer 的训练与对齐方式、预训练数据构成、多任务指令数据及各任务评估协议，并明确训练与推理所需资源。实验协议、消融及统计信息尚未验证；当前材料也不足以确认代码和权重的可用性。

作者：

Weibang Jiang; Yansen Wang; Bao-liang Lu; Dongsheng Li

机构：

尚未验证

发表平台：

ICLR 2025 Poster

标识：

Io9yFt7XH7

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 · 2025-03-20 · 已接收

基于摘要分析。Spatial-Mamba 研究二维视觉任务中的空间结构建模问题：现有视觉状态空间模型（SSMs）通常将图像转成一维序列，并用不同扫描路径补充局部空间依赖，但可能难以充分表达复杂空间结构，同时增加扫描成本。该方法通过在状态空间中直接建立邻域连接，将序列状态计算与空间上下文融合结合起来。 核心机制分为三个阶段：通过单向扫描计算初始状态；利用结构感知状态融合获取空间上下文，其中空洞卷积用于捕获图像空间结构依赖；通过观测方程完成最终状态计算。其区别于主要依靠扫描路径组织空间信息的方法，关键在于显式融合邻域状态，而非仅依赖顺序状态转移。作者报告，理论分析将 Spatial-Mamba、原始 Mamba 与 linear attention 纳入同一矩阵乘法框架；具体等价条件与推导范围尚需正文核验。 作者报告，在图像分类、检测和分割实验中，Spatial-Mamba 即使仅使用一次扫描，也达到或超过所比较的先进 SSM 模型。摘要未提供数据集、划分、指标数值、对照配置或计算成本实测，不能据此量化优势；实验协议、消融及统计信息尚未验证。摘要提供了源码与训练模型入口，但实现细节、训练配置及权重可用性尚未核验。 平台推测（待验证）：该机制可能对应 EEG 中时间依赖与通道空间关系难以同时建模的瓶颈，但原论文研究对象是二维图像，并未提供 EEG/BCI 证据。其迁移假设依赖可定义且跨记录一致的通道邻域；可考虑复用状态计算与融合思路，将图像空洞卷积改造成适配电极布局的邻域操作，而不能直接把通道排列当作规则图像网格。低信噪比可能使邻域融合传播噪声，跨被试差异、通道缺失及小数据规模也可能削弱收益。一个可证伪的小实验是在固定 EEG 数据划分、训练预算与通道布局下，比较单向 SSM、加入真实电极邻域融合及打乱邻域的版本，检验收益是否确由空间结构带来，并分别报告被试内与跨被试结果。已有 EEG 相关工作尚未检索确认。

作者：

Chaodong Xiao; Minghan Li; Zhengqiang ZHANG; Deyu Meng; Lei Zhang

机构：

尚未验证

发表平台：

ICLR 2025 Poster

标识：

iDe1mtxqK5

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 · 2025-02-26 · 已接收

基于摘要分析。本文研究深层神经网络如何复用先前层的信息以增强当前层的特征表示，将各层输出视为连续过程的状态，并提出 Selective State Space Model Layer Aggregation（S6LA），利用 Selective State Space Models（S6）设计层间聚合模块。 核心机制是把状态空间模型（SSM）的建模对象从通常的序列位置转向网络深度方向的层输出。作者认为，既有层聚合方法主要采用离散状态视角，在网络层数增大时存在适用性限制；S6LA 则尝试以序列框架结合传统 CNN 或 transformer 架构。这里的“序列”主要对应层间信息演化，不能直接等同于输入信号的时间序列。连续状态的具体参数化、不同层特征的维度对齐、选择性机制及训练方式均需全文核对。 作者报告，S6LA 在图像分类与检测任务中带来显著改进，但摘要未提供数据集、划分、对照基线、指标或具体数值，因此无法判断改进幅度、计算代价及其对网络深度的依赖。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 模型存在跨层特征复用不足的问题，可考虑复用 S6LA 的沿深度聚合思路，而非直接把它当作 EEG 时间建模模块。该迁移假设依赖可组织为层序列的中间表示，需要改造不同层的通道数、时间分辨率与特征对齐方式；低信噪比可能使聚合传播噪声，跨被试差异和小数据也可能使选择性机制过拟合。一个可检验的小实验是在固定 EEG 骨干和 Cross-subject 划分下，比较原模型、简单层聚合与 S6LA，并同时记录任务指标、参数量及推理开销。上述仅为验证建议，已有 EEG 相关工作尚未检索确认。

作者：

Qinshuo Liu; Weiqin Zhao; Wei Huang; Yanwen Fang; Lequan Yu; Guodong Li

机构：

尚未验证

发表平台：

ICLR 2025 Poster

标识：

msD4DHZzFg

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 · 2025-02-26 · 已接收

基于摘要分析。该研究针对固定数据集训练的 EEG 模型难以应对不断到来的未见被试及个体差异的问题，提出无监督个体持续学习范式与 BrainUICL 框架。其核心目标是在持续适应新被试的同时吸收新知识，提升模型对其他未见被试的泛化能力。 方法上，BrainUICL 将逐个新被试的适应纳入持续学习过程，关注塑性与稳定性的平衡：塑性指向对当前新个体的适应能力，稳定性则在摘要中体现为对未见个体维持泛化能力。与仅在固定数据集上训练的模式相比，研究强调模型随被试流持续更新；但摘要未披露具体网络、优化目标、知识保留机制，以及“无监督”适应时可访问的数据与标签边界，不能据此确定其实现方式。 作者报告，BrainUICL 在三种主流 EEG 任务上进行了评估，并在新个体塑性和未见个体稳定性方面取得更好的表现。摘要以睡眠分期、情绪识别和运动想象说明 EEG 的应用范围，但未明确列出实际评估的三种任务，因此不能直接将这些例子认定为实验任务。具体数据集、被试数量、被试流顺序、数据划分、对照基线及指标数值尚未验证。 复现与证据核对的重点包括：新被试数据如何用于适应、适应与评估是否使用独立数据、持续更新后如何评估当前被试及其他未见被试，以及与单次适应或其他持续学习方案如何比较。实验协议、消融及统计信息尚未验证。摘要中的临床场景属于研究动机，不能据此认定该框架已获得临床有效性验证。

作者：

Yangxuan Zhou; Sha Zhao; Jiquan Wang; Haiteng Jiang; Shijian Li; Tao Li; Gang Pan

机构：

尚未验证

发表平台：

ICLR 2025 Poster

标识：

6jjAYmppGQ

学术质量 69 / 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 · 2025-05-06 · 已接收

基于摘要分析。本文研究室内点云的 3D 目标检测：针对 DETR 类方法在多层解码中仅迭代细化目标查询、场景点特征保持固定的问题，提出采用交互式状态空间模型的 DEST，使查询特征与场景点特征能够共同更新。 核心机制是将目标查询建模为系统状态、场景点建模为系统输入，并通过状态依赖的 SSM 参数化支持查询与输入之间的迭代交互。针对点云与 SSM 的特性，方法还引入序列化和双向扫描以实现点特征的双向交互，以 inter-state attention 建模状态点之间的关系，并使用门控前馈网络增强通道间关联。作者称该框架可在线性复杂度下同步更新两类特征，并声称这是首次采用上述状态与输入对应方式；具体参数化、复杂度计算范围及实现细节尚未验证。 作者报告，在两个室内 3D 检测数据集上，相对 GroupFree 基线，DEST 在 ScanNet V2 和 SUN RGB-D 上的 AP₅₀ 增量分别为 +5.3 和 +3.2；摘要未明确数值尺度、数据划分及训练配置。作者还报告，基于 VDETR 的方法在这两个数据集上取得新的 SOTA，但摘要未提供对应分数或完整对照。实验协议、消融及统计信息尚未验证，不能据此判断各模块的独立贡献。 平台推测（待验证）：可检验的迁移假设是，将任务查询作为状态、EEG 时空特征作为输入，允许信号表示随查询同步更新，可能比固定输入特征的解码方式更适合任务相关信息提取。这一路径依赖可序列化的输入表示与任务监督；状态—输入交互模块可能复用，但点云序列化和空间扫描需按 EEG 时间与通道结构改造。低信噪比可能使交互放大伪迹，通道差异、跨被试分布偏移及小样本也可能削弱效果。一个小规模验证可在同一 EEG 任务、同一跨被试划分和匹配训练预算下，对比固定特征解码与同步更新机制，并检验通道扰动后的性能稳定性。以上不是本文已验证的 BCI 结果，已有 EEG 相关工作尚未检索确认。

作者：

Chuxin Wang; Wenfei Yang; Xiang Liu; Tianzhu Zhang

机构：

尚未验证

发表平台：

ICLR 2025 Poster

标识：

Tisu1L0Jwt

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 · 2025-11-09 · 已接收

基于摘要分析。本文研究结构化状态空间模型（SSMs）在长序列建模中的瓶颈，提出近因偏置与深层过度平滑之间的权衡，并通过极化状态转移矩阵中的两个通道来缓解这两类问题。研究对象是通用序列模型，并非 EEG 或 BCI 专用方法。 作者报告，其理论分析表明 SSMs 存在较强的近因偏置，实证研究显示该偏置影响远距离信息回忆并带来鲁棒性问题。扩展实验提示增加深度有助于学习长上下文，但进一步的理论分析指出，深度增加也会使 token 表征趋于难以区分，即过度平滑。上述理论结论的适用模型、假设与边界仍需全文核对。 方法上，作者提出将状态转移矩阵的两个通道分别设为零和一，以同时应对近因偏置与过度平滑。作者报告，在所研究的长距离 token 关联回忆实验中，该方法持续提高 Accuracy，并使 SSMs 能进一步受益于更深的架构。摘要未提供数据集、序列长度、模型配置、基线或具体数值；实验协议、消融及统计信息尚未验证。摘要声明代码已公开，但实现与复现条件尚未核验。 平台推测（待验证）：假设 EEG 任务确实依赖较远时间位置的信息，且深层 SSM 编码器存在时间表征趋同，状态转移极化可能是可复用的模块。原研究依赖序列结构及可评估远距离信息回忆的任务，其监督方式和训练规模尚未验证；迁移到 EEG 需适配多通道输入、采样尺度及任务读出。低信噪比可能使保留的远程信息主要成为噪声，跨被试与通道差异、小数据训练也可能抵消收益。可在固定 EEG 数据划分、训练预算与任务指标的条件下，对比原始与极化 SSM，并考察不同深度及远端时间片遮挡造成的性能变化，以检验收益是否对应远程信息利用。已有 EEG 相关工作尚未检索确认。

作者：

Peihao Wang; Ruisi Cai; Yuehao Wang; Jiajun Zhu; Pragya Srivastava; Zhangyang Wang; Pan Li

机构：

尚未验证

发表平台：

ICLR 2025 Poster

标识：

pymXpl4qvi

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 · 2025-03-03 · 已接收

基于摘要分析。VEDIT 研究流程视频中的未来动作预测与流程规划，核心贡献是在现成的冻结预训练视觉编码器之上训练预测模型，直接利用片段级潜在表征，而不依赖预测模型预训练或额外的语言、ASR 监督。这里“不预训练预测模型”不等于无需训练，也不等于视觉编码器未使用预训练。 机制上，模型以已观察步骤的冻结片段级嵌入为条件，预测未观察步骤的动作，并借助 diffusion transformers 的迭代去噪学习预测表征，而非从像素空间学习。摘要未给出编码器名称、预测目标的具体表示、损失形式或去噪调度，这些实现细节尚未验证。 作者报告，在 NIV、CrossTask、COIN 和 Ego4D-v2 四个数据集、共五项流程学习任务上，模型达到或提升现有最佳表现：长时程动作预判的 Verb ED@20 与 Noun ED@20 分别报告 +2.6% 和 +3.1%；步骤预测与任务分类分别报告 +5.0% 和 +3.8%；流程规划的 success rate、mAcc、mIoU 最多分别提升 +2.28%、+3.39% 和 +0.90%。这些均保留摘要原始增幅写法；其对应数据集、具体基线、数据划分、指标方向，以及百分比是否指百分点，尚未验证，不能据此跨任务直接比较。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，用冻结 EEG 编码器的片段表征替代视觉嵌入，以迭代去噪预测未来神经状态，探索减少预测模块预训练需求。原方法依赖有步骤结构的视频序列及可用的预训练表征；EEG 未必具有同样清晰的步骤边界。可复用的是潜在空间条件预测思路，需改造的是编码器、时间分段和预测目标；低信噪比、跨被试差异、通道变化及小数据可能使冻结表征丢失有效信息或导致去噪模型过拟合。一个可检验的小实验是在固定 EEG 编码器和相同被试内划分下，对比迭代去噪预测器与直接回归预测器的未来片段表征误差，再独立评估跨被试表现；结果不能直接视为 BCI 解码收益。相关 EEG 工作尚未检索确认。

作者：

Han Lin; Tushar Nagarajan; Nicolas Ballas; Mido Assran; Mojtaba Komeili; Mohit Bansal; Koustuv Sinha

机构：

尚未验证

发表平台：

ICLR 2025 Poster

标识：

LDAj4UJ4aL

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 · 2025-02-28 · 已接收

基于摘要分析。本文研究具身 AI 中的表征学习，提出 SPA 框架，通过多视角图像上的可微神经渲染，使普通 Vision Transformer（ViT）获得三维空间理解能力。核心贡献是将三维空间感知引入视觉表征学习，并在多种具身任务与真实场景中评估其效果，而非提出 EEG 或 BCI 方法。 机制上，SPA 利用多视角视觉信息与可微神经渲染建立空间感知表征。摘要未说明具体渲染表示、监督信号、损失函数、ViT 配置，以及表征如何接入下游策略，这些细节尚未验证。 作者报告，评估覆盖 8 个模拟器中的 268 项任务，涉及不同策略，并包含单任务与语言条件多任务场景；在这些评估中，SPA 使用更少训练数据，持续优于超过 10 种表征方法，对照涵盖具身 AI、视觉任务及多模态方法。摘要未提供具体指标、分任务结果、训练数据规模或划分，因此不能量化优势，也不能直接比较不同任务协议。作者还报告开展了真实世界实验，但任务、样本量与结果指标尚未验证。 复现方面，作者称最强模型训练耗时超过 6000 GPU 小时，但未给出硬件型号与完整训练配置；代码和模型权重仅被承诺开源，不能据此认定已发布。实验协议、消融及统计信息尚未验证。 SPA 的直接对象是具有多视角几何结构的具身视觉数据，不能将其结果等同于 EEG 的跨通道空间建模效果。现有摘要不足以建立具体的 EEG/BCI 迁移机制，因此不提出迁移实验建议；已有 EEG 相关工作尚未检索确认。

作者：

Haoyi Zhu; Honghui Yang; Yating Wang; Jiange Yang; Limin Wang; Tong He

机构：

尚未验证

发表平台：

ICLR 2025 Poster

标识：

6TLdqAZgzn

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 · 2025-02-26 · 已接收

基于摘要分析。该研究探讨能否从神经元在不同外部条件下的活动片段中，学习反映其内在属性、且跨时间片段稳定的表征。受 Platonic Representation Hypothesis 启发，作者将每个神经元视为一个系统，采用 VICReg 学习表征，并在模拟动力学与真实神经元动力学数据上检验神经元类型、所在脑区及域外泛化能力。 核心机制：作者提出两个目标，即同一神经元的不同片段应比不同神经元的片段更相似，且表征应泛化到域外数据。概念上，同一神经元片段构成正样本对，不同神经元片段构成负样本对；实际采用的 VICReg 仅以正样本对优化，并通过正则项间接区分不同样本。摘要未提供具体编码器、损失配置或片段采样方式，不能据此判断时间稳定性与外部条件不变性的实现程度。 验证与结果：在 Izhikevich model 生成的模拟神经元群体动力学数据上，作者报告表征能够捕获由预设超参数定义的神经元类型。在两个真实神经元动力学数据集上，作者报告表征可预测神经元类型与所在脑区，其中类型标注涉及空间转录组学，并在未见动物这一域外测试条件下表现出鲁棒性。数据集名称、动物数量、划分方式、指标数值、对照基线、消融及统计信息尚未验证；上述结果也不足以直接确认表征覆盖所有分子与形态属性。 平台推测（待验证）：其可复用思路是通过稳定实体的多个活动片段学习不变表征，但这依赖可靠的神经元身份对应。EEG 通道是混合信号，不能直接等同于单个神经元；若用于跨会话 EEG 表征，需要重新定义正样本配对并适配多通道编码。低信噪比、通道变化及被试身份混杂可能使表征保留个体特征而损失任务信息。一个可证伪的小实验是，在具有跨会话记录的 EEG 数据中，仅用训练划分构造同一被试的跨片段正对，比较 VICReg 与同编码器基线在留出会话任务表现及被试身份可预测性上的变化。已有 EEG 相关工作尚未检索确认。

作者：

Wei Wu; Can Liao; zizhen Deng; Zhengrui Guo; Jinzhuo Wang

机构：

尚未验证

发表平台：

ICLR 2025 Poster

标识：

vFanHFE4Qv

学术质量 71 / 100 · 兴趣权重 3 · 按原研究证据理解，不推断适用范围

• openreview · 元数据快照 · 2025-02-11 · 已接收

基于摘要分析。本文研究如何评价离散表示的有效性，提出任务驱动的统一离散表示学习（DRL）框架，将离散特征的价值与下游任务关联，而不只通过生成结果的保真度间接衡量表示质量；生成在该框架中被视为一种下游应用。 原论文主要面向通用离散表示学习。摘要以 VQ-VAE 及其变体为背景，指出既有框架主要关注生成场景，而离散表示的性质及其对不同任务的作用仍有待深入研究。本文另提供表示容量与样本复杂度之间权衡的理论分析，以解释离散表示的使用如何影响任务表现。摘要未给出统一框架的具体量化机制、损失函数、训练流程或理论成立条件，尚不能判断其与既有方法的实现差异。 作者报告该框架在多种应用中体现了灵活性与有效性，但摘要未列明任务、数据集、划分协议、对照基线或指标数值，不能据此判断效果幅度或跨任务一致性。实验协议、消融及统计信息尚未验证；复现还需取得完整方法、理论假设与实验配置。 平台推测（待验证）：若该框架允许按下游监督任务学习离散特征，其容量与样本复杂度分析可能对应 EEG 小数据条件下的表示压缩与判别信息保留问题。可探索复用任务效用评价与容量控制思路，但需改造 EEG 时序编码和离散化模块；具体监督与数据规模要求仍需核对全文。低信噪比、跨被试差异及通道变化可能使离散化抹去弱判别信息，或编码被试特异噪声。一个可检验的假设是：在固定 EEG 编码器、数据划分与分类器的条件下，比较连续表示与不同容量的离散表示，观察低样本条件下的任务表现及信息损失。该实验仅属迁移假设，原领域有效不等于 BCI 有效；已有 EEG 相关工作尚未检索确认。

作者：

Long Tung Vuong

机构：

尚未验证

发表平台：

AISTATS 2025 Poster

标识：

5SH1LH18uh

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 · 2025-10-03 · 已接收

基于摘要分析。该研究面向高能物理（HEP）实验中的大规模点云与长序列处理，探索将局部敏感哈希（locality-sensitive hashing）融入混合或纯 Mamba 模型，以结合结构化状态空间模型（SSMs）的序列处理能力与局部归纳偏置。 机制方面，摘要明确提出在 Mamba blocks 中集成局部敏感哈希，但未说明哈希作用于哪些特征、如何组织点云或序列，以及混合模型的具体组成。作者将该工作描述为此类结合的早期尝试之一；其核心研究对象仍是 HEP 数据处理，而非神经信号或 BCI。 作者报告，在所测试的 HEP 任务中，该方法相较传统骨干网络改善了推理速度与物理指标，并降低计算开销；相较传统 Transformer 骨干网络，FLOPS 显著降低且保持了稳健性能。摘要未给出任务名称、数据集、数据划分、基线配置、具体指标或数值，因此无法量化这些优势，也不能据此判断不同模型是否在同等条件下比较。实验协议、消融及统计信息尚未验证，代码与复现条件亦尚未验证。 平台推测（待验证）：若哈希机制确实能保留任务相关的局部邻域，其与 Mamba 的结合可能为 EEG 长序列处理提供方法参考，但原领域有效不等于 BCI 有效。可考虑复用序列骨干与哈希模块，需改造 EEG 的时间—通道表示及邻域定义；依赖的数据规模与监督方式尚不明确。低信噪比可能使哈希邻域不稳定，跨被试差异、通道布局变化及小数据训练也可能削弱收益。一个可检验的小实验是在固定 EEG 数据划分、输入与训练预算下，对照普通 Mamba 与加入哈希的版本，同时记录任务指标、推理耗时及 FLOPS，检验局部组织是否带来收益。相关 EEG 工作尚未检索确认。

作者：

Cheng Jiang; Sitian Qian

机构：

尚未验证

发表平台：

AISTATS 2025 Poster

标识：

fy1c84vhAD

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 · 2025-10-03 · 已接收

基于摘要分析。本文研究一般状态空间模型中静态参数的最大似然估计（MLE）：由于似然函数难以直接计算，作者提出两种基于重要性采样权重的序贯蒙特卡洛（SMC）算法，以更有效地利用已生成的粒子，并针对部分现有在线 SMC 方法的得分估计偏差不随粒子数增加而消失的问题开展分析。 第一种是离线算法，通过重要性采样在参数局部范围内近似似然函数，并利用有效样本量（ESS）自适应调整局部范围。第二种是半在线算法，作者报告其计算成本随粒子数线性增长，且所用得分估计量具有一致性；摘要还说明研究了其一致性与渐近正态性。这里的得分指对数似然关于参数的梯度，而非任务评估分数。 作者报告，长时间序列上的数值研究展示了两种算法的计算优势，但摘要未提供具体模型、序列长度、粒子数、对照方法或性能数字。因此尚不能判断效率改善的幅度及适用范围；重要性权重形式、ESS 调整规则、理论成立条件、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 分析采用具有明确潜在状态、观测模型和静态参数的状态空间模型，粒子复用与一致得分估计可能有助于降低长序列参数拟合的计算负担。这一假设依赖可计算的重要性权重及足够的粒子覆盖；可复用的是参数估计框架，需改造的是 EEG 的状态转移与观测模型。低信噪比、高维多通道观测、跨被试差异及小数据可能导致权重退化或参数难以辨识。可先在具有已知参数的模拟 EEG 状态空间序列上，与常规 SMC 梯度估计比较固定计算预算下的参数误差、梯度偏差及 ESS 随粒子数的变化，再评估真实 EEG 拟合稳定性。已有 EEG 相关工作尚未检索确认，原论文结果不构成 BCI 有效性的证据。

作者：

Yuxiong Gao; Wentao Li; Rong Chen

机构：

尚未验证

发表平台：

AISTATS 2025 Poster

标识：

kh8wgqToLl

学术质量 78 / 100 · 兴趣权重 2 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2025-10-03 · 已接收

基于摘要分析。该研究面向图像流中的连续三维感知，提出统一的在线有状态循环模型，通过随新观测持续更新的状态表示，为每个输入生成具有度量尺度的点图（pointmaps），并在共同坐标系中累积为一致的三维场景重建。 核心机制是将历史观测的信息保存在持续演化的状态中，而非仅对单幅图像独立预测。作者还提出通过 raymap probe 查询状态，推断输入图像覆盖范围之外的未观测结构，体现模型所学习的真实场景先验。摘要称该框架可接受不同长度的图像序列，同时处理视频流与无序照片集合；但状态的具体表示、更新规则、顺序敏感性、训练监督与损失形式尚未验证，不能仅凭来源栏目将其认定为某种具体 State Space Model 架构。 作者报告，在单目/视频深度估计、相机估计、多视图重建等三维/四维任务上取得有竞争力或最先进的性能，并展示了状态表示带来的其他行为。摘要未给出数据集、划分、指标数值及对照方法，因此这些性能结论只能保留为作者报告；实验协议、消融及统计信息尚未验证。复现时需核对度量尺度的监督来源、共同坐标系的建立方式、状态维护成本，以及未观测结构预测的评估方式。 平台推测（待验证）：其持续状态更新机制可能为 EEG 连续流的历史上下文建模提供参考，但这只是假设。原方法依赖图像与三维几何结构，训练监督和规模尚未明确；若迁移，需要保留状态更新思路，同时改造输入编码与任务输出，不能直接复用三维点图及 raymap 查询。EEG 的低信噪比、跨被试差异、通道变化和小数据条件可能使状态累积噪声或过时信息。一个可检验的小实验是在固定被试内划分、相同编码器和训练预算下，比较持续状态、定期重置状态与无状态窗口模型，核对状态是否改善目标任务指标及是否产生历史误差累积。已有 EEG 相关工作尚未检索确认。

作者：

Qianqian Wang; Yifei Zhang; Aleksander Holynski; Alexei A Efros; Angjoo Kanazawa

机构：

尚未验证

发表平台：

CVPR 2025

标识：

cJFDcSBitG

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 · 2025-10-16 · 状态未知

基于摘要分析。该研究面向极化合成孔径雷达（PolSAR）图像分类，试图解决稀疏标注条件下分类精度与计算效率难以兼顾的问题。作者提出 ECP-Mamba，将多尺度自监督对比学习与状态空间模型（SSM）骨干结合，用跨尺度预测任务学习局部与全局极化特征之间的对应关系。 机制上，跨尺度预测预训练任务通过对齐局部和全局特征缓解标注稀缺问题；Mamba 用于提高计算效率。针对逐像素分类，作者设计螺旋扫描策略，优先处理中心像素附近被其描述为具有因果相关性的特征，并引入轻量级 cross Mamba 模块促进多尺度互补信息交互。这里的“因果相关性”是摘要中的设计表述，不能据此认定进行了因果识别。作者声称首次将 Mamba 引入 PolSAR 图像分类，该优先性尚未独立核实。 作者报告在四个基准数据集上开展实验；其中，在 Flevoland 1989 上取得总体准确率（OA）99.70%、平均准确率（AA）99.64% 和 Kappa 0.9962，并称达到最先进性能。摘要未给出该结果对应的标注比例、训练与测试划分或对照方法，不能据此进行跨协议比较。具体损失形式、扫描实现、效率测量、实验协议、消融及统计信息尚未验证。摘要表示代码将公开，当前可用性尚未确认。 平台推测（待验证）：可迁移的机制是假设多尺度局部—全局表征对齐能够帮助稀疏标注 EEG 学习，而非已证实的 BCI 效果。原方法依赖极化图像的空间邻域结构；迁移时可考虑复用对比学习与状态空间序列建模思路，但需重新定义 EEG 的时间尺度、通道邻域及正负样本，不能直接把中心像素螺旋扫描视为电极间的合理顺序。低信噪比、跨被试差异、通道布局变化和小数据规模均可能破坏对齐假设。一个可检验的小实验是在固定 Cross-subject 划分和相同标注预算下，对比同一骨干有无局部—全局对齐任务，分别评估分类指标与计算成本，检验收益是否稳定。已有 EEG 相关工作尚未检索确认。

作者：

Zuzheng Kuang; Haixia Bi; Fan Li; Chen Xu

机构：

尚未验证

发表平台：

IEEE Transactions on Geoscience and Remote Sensing

标识：

ikejECONz8

学术质量 73 / 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。本文研究深层 Graph Neural Networks（GNNs）中的过平滑问题，即随着模型加深，节点表示趋于一致、难以区分；提出 MbaGCN，将原用于序列建模的 Mamba 范式引入图卷积，以自适应聚合邻域信息。 核心机制：摘要列出三个组件：Message Aggregation Layer、Selective State Space Transition Layer 和 Node State Prediction Layer，分别对应消息聚合、选择性状态空间转移和节点状态预测。作者将过平滑归因于 GNN 难以区分不同邻域信息的重要性，并以这些组件协同处理邻域信息。具体状态更新方程、图结构与序列建模的对应方式、选择机制、损失函数及训练流程尚未验证，不能据摘要认定其采用特定节点排序或扫描策略。 结果与证据边界：作者报告在基准数据集上进行了广泛实验，认为该框架展示了 Mamba 与图表示学习结合的可行性；同时明确指出，MbaGCN 并非在每个数据集上都持续优于所有现有方法。摘要未提供数据集名称、任务、划分、网络深度、指标或分数，实验协议、消融及统计信息尚未验证。材料提供了代码地址，但实现与复现条件尚未核验。 平台推测（待验证）：若 EEG 任务将通道或脑区组织为图，并需要多层邻域传播，选择性状态更新可能有助于保留节点差异；这只是机制对应假设，并非已证实的 BCI 效果。可考虑复用图消息聚合与状态转移模块，但需适配 EEG 节点特征、图构建方式及时间信息。低信噪比、不稳定连接、跨被试通道差异与小样本可能使选择机制学习到噪声或被试特异模式。一个可检验的小实验是在固定 EEG 图、相同数据划分与训练预算下，对比普通 GCN 和 MbaGCN 随深度增加的任务表现及节点表示相似度，判断是否同时缓解表示趋同并改善预测；已有 EEG 相关工作尚未检索确认。

作者：

Xin He; Yili Wang; Wenqi Fan; Xu Shen; Xin Juan; Rui Miao; Xin Wang

机构：

尚未验证

发表平台：

IJCAI 2025

标识：

Dp43rl3yzc

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 · 2026-01-15 · 状态未知

基于摘要分析。该研究针对 EEG 情绪识别中情绪无关表征与个体差异干扰稳健特征提取的问题，提出 Graph Orthogonal Purification Network（Grop）。其核心思路不是仅挖掘情绪相关信息，而是同时建模情绪相关与情绪无关信息，通过正交净化与分布对齐提升表征的个体适应性。 方法包含三个模块：图表征提取模块利用双图捕获两类特征；表征正交净化模块通过特征投影和特征净化去除冗余信息；双情绪空间对齐模块用于对齐不同情绪特征空间中的分布差异。摘要未给出双图的构建方式、两类表征的监督或划分依据、正交约束与对齐损失的具体形式，训练及推理流程尚未验证。 作者报告在两个公开 EEG 情绪数据集 SEED 和 SEED-IV 上开展实验，并达到 state-of-the-art 性能，能够提取稳健情绪特征、缓解被试内与跨被试差异。但摘要未提供具体指标、数值、数据划分或对照基线，因此不能将这一结论视为已核实的特定被试内或跨被试协议优势，也不能进行定量比较。 阅读全文时应重点核对：情绪相关与情绪无关特征如何被区分，正交净化是否保留了有效情绪信息，双空间对齐在训练和推理时依赖哪些数据，以及三个模块分别带来的收益。实验协议、消融及统计信息尚未验证；代码可用性、预处理流程和复现条件亦尚未验证。该工作直接面向 EEG 情绪识别，其结论不能据此推广为其他 BCI 任务上的有效性证据。

作者：

Mengqi Wu; C. L. Philip Chen; Bianna Chen; Tong Zhang

机构：

尚未验证

发表平台：

IEEE Trans. Affect. Comput. 2025

标识：

WgVP1y52Sb

学术质量 70 / 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 · 2025-05-13 · 状态未知

基于摘要分析。本文主要研究无人机遥感 RGB-D 图像的语义分割，针对地物纹理相似及高分辨率图像全局上下文建模困难，提出 SkyMamba，结合视觉纹理、深度几何信息与状态空间模型的长序列建模能力，并引入配套数据集 comprehensive urban-scale depth。 机制与贡献：标题明确提出融合 Transformer 与状态空间模型；摘要强调利用深度信息辅助区分外观相近的地物，并利用状态空间模型捕获大尺度空间中的全局上下文。Transformer 与状态空间模型的具体连接方式、RGB 与深度的融合位置、扫描或序列化策略、损失函数及训练配置尚未验证。作者称这是首个面向无人机遥感 RGB-D 图像语义分割的框架，该优先性主张未获独立核实。 数据与结果：作者介绍的数据集按粗粒度和细粒度语义标注分为两个版本。作者报告，SkyMamba 在这两个版本上取得 SOTA 表现，尤其适用于语义类别分布不均衡的场景；摘要未提供具体指标、数值、划分方式或对照方法，因此无法量化优势或判断不同设置的可比性。数据规模、深度获取方式、实验协议、消融及统计信息尚未验证。摘要提供了代码仓库地址，但代码内容与复现条件尚未核验。 平台推测（待验证）：可迁移的机制假设是将局部特征与长程上下文建模结合，用于 EEG 长时间序列分析；原任务依赖空间对齐的 RGB-D 输入和像素级语义标注，这不等同于 EEG 的多通道时间序列及试次级监督。可考虑复用长序列建模模块，但需改造输入编码、通道关系与任务输出，不能直接照搬深度融合。低信噪比、跨被试差异、通道布局变化及小数据规模可能削弱收益。一个可证伪的小实验是在固定 Cross-subject 划分与训练预算下，对比局部时序编码基线及加入状态空间模块的版本，同时核对任务指标与计算开销。已有相关 EEG 工作尚未检索确认，该实验建议不代表已证实的 BCI 效果。

作者：

Lin Gao; Xia Li; Yu Liu; Xi Chen; Yuxiang Liu; Jiazhen Xu; Maojun Zhang

机构：

尚未验证

发表平台：

IEEE Transactions on Geoscience and Remote Sensing

标识：

vLTcEITHgp

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 · 2026-09-11 · 状态未知

基于摘要分析。本文研究事件相机在雨天受到密集噪声干扰的问题，提出基于点的去雨框架 PRE-Mamba，旨在兼顾时间精度、去雨效果与计算效率。其主要研究对象是原始视觉事件流，而非 EEG 或 BCI 信号。 方法包含三个核心环节：四维事件云表示融合双时间尺度，以保留较高的时间精度；Spatio-Temporal Decoupling and Fusion（STDF）模块通过浅层时空信息解耦与交互增强去雨能力；Multi-Scale State Space Model（MS3M）在双时间尺度及多空间尺度上建模更深层的雨动态，作者称其具有线性计算复杂度。框架还引入频域正则化，但摘要未说明四维坐标定义、状态更新方式或正则化的具体形式。 作者报告，在包含带标注合成序列与真实世界序列的 EventRain-27K 上，PRE-Mamba 以 0.26M 参数取得 0.95 SR、0.91 NR，以及每百万事件 0.4 秒的处理耗时。摘要未展开 SR、NR 的定义，也未提供数据划分、对照方法、运行硬件及计时口径，因此不能据此判断提升幅度或跨方法效率优势。作者还报告其可泛化至不同雨强、视角及雪天条件，具体测试设置与统计信息尚未验证。 平台推测（待验证）：若目标是多通道 EEG 的瞬态伪迹抑制，双时间尺度与多尺度状态空间建模可能分别对应短时异常和较长时程动态；但原方法依赖视觉事件点的时空结构及去雨标注，不能直接视为 EEG 去噪算法。可考虑复用时间尺度建模思想，重新设计通道表示与监督目标。低信噪比、小样本、跨被试差异和通道配置变化可能使模型误删有效 ERP 等神经成分。一个可证伪的小实验是在固定被试划分下，对带可控瞬态噪声的 EEG 比较单时间尺度与双时间尺度版本，同时检查去噪误差和 ERP 波形保真度。相关 EEG 工作尚未检索确认。

作者：

Ciyu Ruan; Ruishan Guo; Zihang Gong; Jingao Xu; Wenhan Yang; Xinlei Chen

机构：

尚未验证

发表平台：

CoRR 2025

标识：

2QXAy1FSw1

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 · 2025-09-07 · 状态未知

基于摘要分析。该研究面向 EEG 情绪识别，针对静态频带难以捕捉非平稳动态、个体差异较大，以及图节点聚合可能造成特征退化的问题，提出 Spatial-Temporal Electroencephalograph Collaboration（Stella）框架，联合建模脑连接与局部时序动态。 机制上，Adaptive Bands Selection（ABS）模块动态提取低频和高频成分，形成双路径特征：相位脑网络用于连接建模，时间序列表示用于刻画局部动态。Fourier Graph Operator（FGO）在谱域中操作，旨在缓解特征退化；Spatial-Temporal Encoder（STE）则用于增强表示的稳定性与密度。摘要未展开频带选择的学习方式、相位连接的计算方法、谱域算子的具体定义、编码器结构及训练目标，这些细节尚未验证。 相较于摘要所述的静态频带与 GCN 路线，研究的主要方法价值在于把动态频率提取、连接表示和时序表示纳入同一框架，并尝试从谱域处理节点聚合带来的表示问题。作者报告，Stella 在基准 EEG 数据集的情绪识别实验中达到最先进性能；但摘要未提供数据集名称、被试数量、被试内或跨被试等评估协议、指标数值及对照基线，因此该结论目前只能作为作者报告，不能据此判断其跨被试泛化优势。 摘要提供了代码仓库，可作为复现入口，但代码完整性与可运行性尚未验证。阅读全文或复现时，应重点核对数据划分与预处理、ABS 的频带适应行为，以及 FGO、STE 和双路径表示各自的消融贡献；实验协议、消融及统计信息尚未验证。当前证据支持将其视为 EEG 情绪识别方法研究，不宜外推为其他 BCI 任务上的已验证效果。

作者：

Jiangfeng Sun; Kaiwen Xue; Qika Lin; Yufei Qiao; Yifan Zhu; Zhonghong Ou; Meina Song

机构：

尚未验证

发表平台：

IJCAI 2025

标识：

dd2cilrt01

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 · 2026-01-15 · 状态未知