跳到正文

算法、任务与模态

MoE 最新动态

MoE 研究索引；按可核对的标签归档，不以热度评价质量。

62 条精选近 30 天 39 条共收录 72 条

更新

精选归档 · 第 4 页

1月1日周一第 61–62 条
  1. OpenReview · EEG73

    EEGMamba：用于 EEG 分类的双向状态空间模型与混合专家

    基于摘要分析。EEGMamba 面向不同任务中 EEG 信号长度、通道数不一致，以及 Transformer 长序列建模计算开销较大的问题，将 Spatio-Temporal-Adaptive（ST-Adaptive）模块、Bidirectional Mamba 和 Mixture of Experts（MoE）整合为统一的多任务 EEG 分类框架。 机制上，ST-Adaptive 通过空间自适应卷积对不同长度和通道数的 EEG 进行统一特征提取，并引入 class token 实现时间维度适配；摘要未说明具体的长度对齐与通道映射方式。Bidirectional Mamba 用于进一步提取 EEG 特征，作者旨在兼顾长序列处理的分类准确性与推理速度。Task-aware MoE 配置一个通用专家，以建模不同任务 EEG 的差异与共性；专家路由、任务信息如何输入以及训练损失尚未验证。 作者报告，在八个公开 EEG 数据集上进行了测试，覆盖癫痫发作检测、情绪识别、睡眠分期和运动想象四类任务，并报告性能优于对照方法。摘要未提供数据集名称、被试规模、评价指标、具体分数或对照基线，也未明确被试内、跨被试、跨会话或跨数据集划分，因此不能据此确认对未见任务的泛化能力，或量化准确性与速度之间的收益。 复现时应重点核对多任务联合训练与评估协议、异构通道和序列长度的处理，以及 ST-Adaptive、双向建模和通用专家各自的贡献；推理效率比较还需结合输入长度、硬件与计时条件。实验协议、消融及统计信息尚未验证。摘要称代码将于近期发布，当前材料不能确认代码已公开。

    阅读价值：值得核对 EEGMamba 如何通过输入适配、双向状态空间建模和任务感知专家机制处理异构 EEG，但其跨任务泛化与推理效率优势仍需结合全文中的训练划分和对照实验验证。

  2. OpenReview · EEG76

    MoGE：通过分解 EEG 实现跨被试情绪识别的图专家混合模型

    基于摘要分析。该研究针对 EEG 情绪识别中被试间差异导致的泛化困难，提出 Sparse Mixture of Graph Experts（MoGE），从神经网络架构设计而非主要依靠域对齐或正则化损失的角度探索域泛化，使训练后的模型面向未见被试进行无校准推理。 核心机制是由路由器将各 EEG 通道分配给专门的专家。作者将这一设计解释为把复杂的脑活动分解到不同功能区域，并以图专家混合架构处理这些通道。摘要未说明图的构建方式、路由依据、专家结构、稀疏激活规则及专家输出的融合方式；通道分配是否对应可解释的脑功能区域，也需结合全文证据核对，不能仅凭架构描述认定。 作者报告，在三个公开数据集的跨被试情绪识别与域泛化评估中，使用经验风险最小化（ERM）训练的 MoGE，在 SEED、SEED-IV、SEED-V 上的 Accuracy 分别为 88.0%、74.3% 和 81.8%，并称相较其他域泛化方法达到 SOTA。上述结果分别属于各自数据集，不能直接横向比较；具体被试划分、预处理、对照基线、调参流程、消融及统计信息尚未验证。 材料给出了代码仓库，为复现提供入口，但代码内容与运行条件尚未核验。复现时值得重点核对：跨被试训练与测试的组织方式，以及在相同预处理和 ERM 训练条件下，通道路由与图专家模块对性能的独立贡献。现有摘要支持其在 EEG 情绪识别中的研究定位，不足以推出对其他 BCI 任务的有效性。

    阅读价值：值得核对的是 MoGE 通过通道路由与图专家架构、而非专门的域对齐损失改善跨被试泛化的思路；作者报告了三个 EEG 情绪数据集上的结果并提供代码，但具体划分、对照与统计信息尚未验证。