跳到正文

算法、任务与模态

SSM 最新动态

SSM 研究索引；按可核对的标签归档，不以热度评价质量。

566 条精选近 30 天 44 条共收录 715 条

更新

精选归档 · 第 26 页

9月22日周五第 501–520 条
  1. OpenReview · State space models73

    通过状态空间增强 Transformer 实现高效长序列建模

    基于摘要分析。本文主要研究自然语言处理中的长序列建模：标准 Transformer 注意力具有二次计算成本，而高效注意力变体的全局信息建模能力受限。作者提出 State Space Augmented Transformer（SPADE），将状态空间模型（SSM）与高效局部注意力结合，以兼顾长程依赖和复杂局部信息。 核心机制是在 SPADE 的底层引入 SSM，其余层采用高效局部注意力。作者认为，SSM 提供的全局信息可以补充局部注意力对长程依赖捕获的不足，而局部注意力则补足 SSM 对复杂局部信息表达灵活性不足的问题。摘要未说明具体 SSM 形式、局部注意力方案、融合操作、损失函数或实际计算与存储开销，这些细节尚未验证。 作者报告，该方法在 Long Range Arena benchmark 和语言建模任务上取得了支持其有效性的实验结果；为考察可扩展性，作者还预训练了大型 encoder-decoder 模型，并在自然语言理解和自然语言生成任务上进行了微调评估。摘要未提供具体分数、模型规模、数据划分及对照基线，因此不能量化性能提升或效率收益，实验协议、消融及统计信息尚未验证。作者表示代码与预训练模型检查点将公开，但仅凭该材料无法确认当前可用状态。 平台推测（待验证）：其全局 SSM 与局部注意力互补机制可能对应长时段 EEG 中跨时间依赖与短时波形特征并存的建模需求，但这是迁移假设，不是本文已验证的 EEG/BCI 结果。可复用的是两类模块的组合思路，需改造输入表征、通道编码及任务输出，并核对序列长度、监督方式和训练规模。EEG 的低信噪比、跨被试差异、通道配置变化及小数据条件可能削弱全局状态建模的收益。一个可检验的小实验是在固定跨被试划分与训练预算下，对比局部注意力模型及加入底层 SSM 的版本，报告同一任务指标、显存与推理耗时，检验收益是否来自全局模块。已有 EEG 相关工作尚未检索确认。

    阅读价值：SPADE 以底层 SSM 补充全局信息、其余层使用高效局部注意力，为核对长序列建模中全局依赖与局部表达的互补机制提供了具体对象，但其 EEG/BCI 适用性尚未验证。

  2. OpenReview · State space models86

    Mamba：基于选择性状态空间的线性时间序列建模

    Mamba 针对长序列模型计算效率与内容依赖推理能力之间的矛盾，通过输入依赖的选择性状态空间模型（SSM）构建不含注意力和 MLP 模块的序列建模架构。基于摘要分析，原论文主要研究语言、音频和基因组学等模态，并非 EEG 或 BCI 方法。 核心机制是让 SSM 参数成为输入的函数，使模型根据当前 token 沿序列维度选择性传播或遗忘信息。作者认为，这可缓解既有次二次时间架构在离散模态上缺乏内容依赖推理能力的问题。由于输入依赖参数使原有高效卷积计算不再适用，作者设计了硬件感知的递归模式并行算法，并将选择性 SSM 整合进 Mamba。具体参数化、训练目标与实现细节尚未验证。 作者报告，Mamba 的计算随序列长度线性扩展，推理吞吐量为 Transformer 的 5 倍，并在真实数据上观察到性能随序列长度增加而改善，最长涉及百万长度序列；摘要未提供该吞吐量比较的硬件、批量、序列长度及基线配置，不能据此推断任意部署条件下的加速效果。在语言建模的预训练及下游评估中，作者报告 Mamba-1.4B 超过同规模 Transformer，并匹配两倍规模的 Transformer。作者还报告其在语言、音频和基因组学等模态达到当时最先进表现，但数据集、具体指标、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务需要从长时间序列中保留任务相关片段并抑制无关信息，输入依赖的状态更新可能提供可复用机制。可复用部分是选择性 SSM 与长序列计算框架；需改造 EEG 输入表示、通道融合及任务输出。低信噪比可能使选择机制追随伪迹，跨被试差异和小数据训练也可能削弱效果。一个可检验的小实验是在固定数据划分、预处理与训练预算下，比较选择性 SSM、非选择性 SSM 和 Transformer 的任务指标、吞吐量及显存占用，并检查噪声扰动下的稳定性。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。

    阅读价值：值得阅读其输入依赖的选择性状态空间机制与硬件感知递归计算设计，以评估长序列建模的效率—性能取舍；其对 EEG 的适用性尚未验证。

  3. OpenReview · State space models78

    用于上下文强化学习的结构化状态空间模型

    基于摘要分析。本文研究结构化状态空间序列模型如何用于上下文强化学习，核心贡献是修改 S4 的一种变体，使隐状态能够并行初始化与重置，并用于部分可观测环境及需要长程上下文的元学习任务。研究对象是强化学习智能体，而非 EEG 解码或 BCI 系统。 机制上，论文利用结构化状态空间模型的长序列处理能力、快速推理与可并行训练特性，解决强化学习轨迹中的隐状态管理问题。摘要未说明具体状态更新方程、重置实现、训练目标及上下文组织方式，这些内容尚需核对全文。 作者报告，修改后的架构相对于 Transformers 在序列长度维度具有更优的渐近运行复杂度，并在一个简单的记忆任务上优于 RNN。在一组部分可观测环境中，作者报告模型表现优于 RNN，同时运行速度超过其五倍；摘要未提供环境名称、性能指标、硬件、批量大小或计时口径，不能将该速度优势直接推广到其他配置。 元学习评估中，智能体面对随机采样的连续控制环境，同时环境观测与动作经过随机采样的线性投影。作者报告模型在这一任务上取得较强表现，并能适应分布外留出任务；具体任务划分、适应流程、对照结果与统计信息尚未验证。摘要提供了代码地址，但代码与实验配置尚未核验。 平台推测（待验证）：若研究目标是带有反馈和跨回合上下文的 BCI 自适应控制，其长程状态处理及重置机制可能具有复用价值。假设是该机制能在低延迟约束下保留历史反馈并正确处理回合边界；需将原有观测、动作接口改为 EEG 特征与 BCI 控制输出，并明确奖励及交互协议。低信噪比、被试差异、通道变化和小规模交互数据可能使历史状态积累噪声，而非促进适应。可先在固定 EEG 特征编码器和一致的离线反馈协议下，对比该模型与 RNN 的序列决策表现、推理延迟及回合重置后的稳定性，严格隔离训练与测试被试。已有 EEG 相关工作尚未检索确认，该实验建议不代表已证实的 BCI 效果。

    阅读价值：值得阅读的具体原因是其针对强化学习轨迹改造了结构化状态空间模型的并行隐状态初始化与重置机制，并报告了部分可观测任务中的性能与运行速度优势；这些优势能否迁移到 EEG/BCI 尚未验证。

  4. OpenReview · State space models81

    用于长程时空建模的卷积状态空间模型

    基于摘要分析。本文研究如何同时建模长时空序列中的复杂空间相关性与长程时间依赖，提出卷积状态空间模型 ConvSSM，并构建高效变体 ConvS5；主要研究对象是时空序列预测，而非 EEG 或 BCI。 核心机制是结合 ConvLSTM 的张量状态建模思路与 S4、S5 等状态空间方法的长序列建模能力。作者展示了如何将并行扫描用于卷积递推，以实现次二次复杂度的并行化及快速自回归生成；同时建立 ConvSSM 与 SSM 动力学之间的等价关系，据此设计面向长程依赖的参数化与初始化策略。其方法动机分别对应 ConvLSTM 顺序计算带来的训练瓶颈，以及 Transformer 注意力成本随序列长度二次增长的扩展性限制。具体状态结构、初始化公式及训练目标尚未验证。 作者报告，在长预测时域的 Moving-MNIST 实验中，ConvS5 的任务表现显著优于 Transformers 与 ConvLSTM，训练速度为 ConvLSTM 的 3 倍，样本生成速度为 Transformers 的 400 倍；摘要未提供具体预测指标、序列长度、硬件或计时设置，因此这些倍数不能直接推广至其他协议。作者还报告，在 DMLab、Minecraft 和 Habitat 预测基准上，ConvS5 达到或超过当时先进方法的表现。数据划分、对照实现、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 任务需要同时利用空间结构和长程时间依赖，卷积递推与并行扫描可能成为可测试的计算模块，但原领域结果不等于 BCI 有效性。迁移需要将电极拓扑映射为合适的空间表示，并适配输入、输出与监督目标；低信噪比、跨被试差异、通道布局变化和小样本条件均可能削弱收益。一个小规模可证伪实验是在固定数据划分与训练预算的 EEG 长序列任务上，对比 ConvS5 与 ConvLSTM，分别记录任务指标、训练耗时及显存占用，检验是否存在精度与计算效率的共同收益。已有 EEG 相关工作尚未检索确认，代码与完整复现条件尚未验证。

    阅读价值：值得阅读其卷积递推的并行扫描机制及基于 SSM 动力学的参数化思路，但摘要中的速度优势依赖原实验协议，迁移到 EEG 长序列建模的有效性尚未验证。

  5. OpenReview · State space models79

    具有层间非线性的状态空间模型是具有指数衰减记忆的通用逼近器

    基于摘要分析。本文研究用于序列建模的 state-space models（状态空间模型）的表达能力与记忆限制：作者报告，堆叠带有层间非线性激活的状态空间模型，足以逼近任意连续的序列到序列关系；但这并不意味着模型从根本上解决了记忆随时间指数衰减的问题。 核心机制是通过层间非线性增强序列映射的表达能力，而非依靠时间方向上的非线性激活。作者将通用逼近能力与长期信息保留能力作为两个不同问题讨论，并报告理论分析及数值验证均支持指数衰减记忆限制仍然存在。摘要未给出通用逼近定理的输入域、序列长度、连续性定义、误差度量及其他适用假设，不能将其直接解读为对任意长度序列都能有效学习。具体模型结构、数值验证任务、对照基线、指标、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 任务需要同时建模局部非线性模式与较长时间依赖，该研究可用于区分“增加层间非线性改善表达”与“改善长期记忆”这两种目标。可复用的是状态空间序列模块及层间激活；迁移时需适配多通道 EEG 输入、采样尺度与任务输出。原理论依赖连续序列映射，但所需监督形式与训练规模尚未验证；EEG 的低信噪比、跨被试差异、通道变化及小数据可能使理论表达能力无法转化为可训练的性能。一个可检验的小实验是在固定数据划分、训练预算与近似模型规模下，对比有无层间非线性的模型，并逐步增加任务所需的时间间隔，分别观察任务表现与远距离信息保留能力。该实验仅用于检验迁移假设，不代表已有 EEG 效果；相关 EEG 工作尚未检索确认。

    阅读价值：该研究将层间非线性带来的通用逼近能力与指数衰减记忆限制区分开，值得用于审视 state-space models 的表达能力是否足以支持长时依赖，但其理论适用条件及 EEG 迁移效果尚未验证。

9月19日周二
  1. OpenReview · State space models77

    从泛化分析到状态空间模型的优化设计

    基于摘要分析。该研究面向时间序列与序列建模中的 State Space Model（SSM），分析模型参数及训练序列的时间依赖性如何共同影响泛化，并将理论分析转化为初始化缩放规则与训练正则化方法。 核心贡献是提出数据依赖的泛化界，而非仅依据模型参数刻画泛化。作者据此构建模型初始化的缩放规则，并引入新的正则化方法。作者报告，初始化策略显著提高了 SSM 对不同序列时间模式的稳健性，正则化方法改善了泛化表现，并以数值实验验证相关结论。摘要未提供泛化界的具体形式、理论成立条件、初始化尺度计算方式或正则化目标，尚不能判断这些设计如何落到具体 SSM 实现。 摘要未列明数据集、任务、数据划分、对照基线及量化指标；实验协议、消融及统计信息尚未验证。因此，目前可确认的是“以时间依赖性相关的泛化分析指导优化设计”这一研究路径，不能据此判断其相对其他序列模型的性能优势。 平台推测（待验证）：若该泛化度量可在有限 EEG 训练数据上稳定估计，其机制可能对应 EEG 中跨被试或跨会话时间结构变化导致的泛化问题。可复用部分是初始化缩放与正则化设计思路；需要核对和改造的部分包括多通道 EEG 的输入表示、时间依赖性的估计方式，以及理论对序列分布的假设。低信噪比、小样本和通道配置变化可能使依赖性估计不稳定。一个可检验的小实验是在固定 SSM 架构、数据划分与训练预算下，对比原始训练、仅修改初始化、仅加入正则化及二者结合，并分别观察被试内与跨被试表现。此为迁移假设，并非作者已验证的 EEG/BCI 结果；相关 EEG 工作尚未检索确认。

    阅读价值：该研究将 SSM 参数与训练序列时间依赖性共同纳入泛化分析，并据此设计初始化与正则化策略，值得核对理论假设及实现细节；其对 EEG 建模的价值尚未验证。

9月15日周五
  1. OpenReview · State space models81

    StableSSM：通过稳定重参数化缓解状态空间模型的记忆诅咒

    基于摘要分析。本文研究状态空间模型（SSMs）的参数化如何影响长期记忆学习，并提出一类稳定重参数化方法，以缓解记忆限制及改善优化稳定性；原论文的验证对象是合成数据与语言模型，而非 EEG 或 BCI。 核心机制：作者报告，其理论分析表明，未经重参数化的 SSMs 存在类似传统 RNNs 的记忆限制：能够被稳定逼近的目标关系必须具有指数衰减的记忆。作者将这一“记忆诅咒”归因于循环权重趋近稳定性边界，并据此引入一类重参数化技术。作者报告，这类技术能够缓解上述记忆限制，且合理选择重参数化方案还可增强优化稳定性。该结论涉及稳定逼近的条件，不应扩展为所有 SSM 都无法学习长期依赖。 证据与复现：作者报告使用合成数据和语言模型验证理论发现，但摘要未给出具体数据集、模型配置、指标或对照结果。重参数化的数学形式、理论假设与适用范围，以及实验协议、消融及统计信息尚未验证；复现前需核对全文中的稳定性定义、实现方式和训练配置。 平台推测（待验证）：假设 EEG 任务确实依赖较长时间跨度的信息，稳定重参数化可能为 SSM 在记忆保持与训练稳定性之间的权衡提供帮助。可复用候选是 SSM 循环参数的重参数化机制，输入编码与通道处理则需针对 EEG 改造。该推断依赖任务存在可学习的长期关系；低信噪比、小数据、通道差异及跨被试分布变化可能使更长记忆保留噪声，而非提升任务表现。一个可检验的小实验是在固定数据划分、模型容量和训练预算下，对比普通 SSM 与重参数化 SSM，考察不同序列长度下的任务指标与训练稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其对 SSM 长期记忆限制与稳定重参数化的理论分析，可为长序列建模提供机制参考，但其 EEG/BCI 适用性尚未验证。

6月20日周二
  1. OpenReview · State space models78

    高斯过程状态空间模型的自由形式变分推断

    基于摘要分析。本文研究高斯过程状态空间模型（GPSSMs）的贝叶斯推断：潜在状态随时间演化，并通过似然模型关联离散时间观测。针对大量潜变量及其强时序依赖带来的计算与统计困难，作者提出自由形式变分推断方法，旨在缓解既有方法的过度简化假设与较高计算需求。 核心机制是在诱导变量框架下，通过随机梯度 Hamiltonian Monte Carlo 实现自由形式变分推断。作者进一步利用所提出的变分分布，构造将诱导变量解析边缘化的 collapsed 扩展，并展示该框架与 particle MCMC 方法结合的结果。摘要未给出变分分布的具体形式、优化目标、采样与收敛设置，也不足以确定各扩展的计算成本及适用条件。 作者报告，在六个真实世界数据集上，该方法比竞争方法更准确地学习转移动力学与潜在状态。摘要未列出数据集名称、任务、划分、对照方法、指标或数值，因而不能量化收益，也不能据此判断不同数据规模下的效率；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其与 EEG 的可能对应点是从带噪时序观测中推断潜在状态及其转移，而非直接提供 BCI 分类算法。迁移假设依赖于 EEG 片段可用潜在状态空间模型描述；可考虑复用推断与诱导变量边缘化机制，但观测似然、状态维度及跨被试、跨通道差异的处理需要适配。低信噪比、非平稳性、小数据和潜在状态不可辨识可能使动力学估计失效。一个可检验的小实验是在固定 EEG 数据划分及相同观测模型下，对比本文推断方法与 GPSSM 基线的留出片段预测表现、运行成本及重复运行稳定性，不将其等同于 BCI 解码收益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其通过自由形式变分推断与诱导变量解析边缘化处理 GPSSMs 时序依赖的机制，但精度收益、计算代价及向 EEG 潜在动力学建模的适用性仍需核对全文与实验。

  2. OpenReview · State space models76

    用于上下文强化学习的结构化状态空间模型

    基于摘要分析。本文研究 Structured State Space Sequence（S4）模型如何用于上下文强化学习，核心贡献是修改一种 S4 变体，使隐藏状态能够并行初始化与重置，并利用长序列建模能力处理需要记忆和任务适应的强化学习问题。 机制与对照：S4 的快速推理和可并行训练是作者采用该架构的动机；新增的状态初始化与重置能力旨在适配强化学习任务。作者报告，修改后的架构在渐近运行效率上优于 Transformers，并在一个简单的记忆型任务上表现优于 LSTM。摘要未给出具体复杂度表达式、实测延迟、任务设置或性能数值，不能将渐近优势直接解释为所有运行条件下更快。 评估对象：更具挑战性的实验是元学习任务，智能体面对随机采样的连续控制环境，同时环境的观测与动作经过随机采样的线性投影。作者报告模型在该设置中表现较强，并能够适应分布外的留出任务。具体训练目标、交互序列组织、留出划分、指标、对照结果、消融及统计信息尚未验证；作者据此提出 S4 有望成为上下文强化学习的默认架构候选，而非证明其普遍优于其他架构。 平台推测（待验证）：假设 BCI 应用被明确建模为需要跨轮次记忆与在线适应的交互控制任务，其长序列状态建模及状态重置机制可能具有借鉴价值。可复用的是序列骨干与重置机制，需改造的是 EEG 输入表征、动作接口和奖励定义；原实验依赖环境交互及随机线性投影，这些条件不等同于真实跨被试或跨通道变化。低信噪比、小数据及非线性分布变化可能使迁移失败。一个可检验的小实验是在固定 EEG 表征和相同交互预算下，对比修改后的 S4 与 LSTM 在离线 BCI 控制模拟中的任务适应表现及推理耗时，并明确控制模拟与真实闭环验证的区别。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其隐藏状态并行初始化与重置机制，以及随机观测／动作投影下的上下文适应能力；摘要支持其作为强化学习序列架构的研究价值，但不构成 EEG/BCI 有效性的证据。

4月25日周二
  1. OpenReview · State space models79

    用于时间序列生成的深度潜在状态空间模型

    基于摘要分析。研究针对 ODE 时间序列生成模型中显式隐状态递推的计算开销，以及优化时难以处理剧烈时间变化的问题，提出 LS4：让潜变量依照状态空间 ODE 演化，并借助受 S4 启发的卷积表示绕过显式隐状态计算。其主要研究对象是一般时间序列生成，而非 EEG 或 BCI。 机制与贡献：LS4 结合连续时间潜变量建模与深度状态空间模型的计算方式，目标是提升建模能力和长序列处理效率。摘要未提供具体网络结构、潜变量分布、变分目标形式，以及不规则采样如何接入卷积计算，这些实现细节尚未验证。 结果：作者报告，在 Monash Forecasting Repository 的真实数据集上，LS4 的边缘分布、分类和预测评分优于此前连续时间生成模型，并能建模具有剧烈时间变化的高随机性数据。作者还报告，在不规则采样数据集上取得更低的均方误差与更紧的变分下界，并称达到连续时间潜变量生成模型的最佳水平；在长序列测试中，相较其他基线速度约为 100 倍。摘要未给出具体数据集、划分、基线、序列长度、硬件及计时条件，不能将该加速比外推到其他任务；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，潜在状态演化与卷积计算可能适合探索长时程 EEG 生成，但一般时间序列上的结果不等于 BCI 有效性。可考虑复用状态空间生成机制，需改造多通道观测接口、采样时间表示与条件输入；低信噪比、跨被试差异、通道配置变化及小数据可能使模型主要拟合噪声或个体特征。一个可证伪的小实验是在固定通道、固定采样率的 EEG 数据上，按不重叠记录段划分训练与测试，在相同资源条件下比较 LS4 与连续时间生成基线的生成分布、预测均方误差和运行时间，并核对生成信号是否保留频谱与通道相关结构。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注 LS4 如何以卷积表示替代显式隐状态递推，并兼顾连续时间生成与突变序列建模；其对 EEG 生成的适用性尚未验证。

  2. OpenReview · State space models78

    高斯过程状态空间模型的自由形式变分推断

    基于摘要分析。该研究针对高斯过程状态空间模型（GPSSMs）中大量潜变量及其强时间依赖导致的推断困难，提出贝叶斯 GPSSMs 的自由形式变分推断方法，旨在缓解既有方法中过度简化的假设与较高计算需求。 GPSSMs 用高斯过程描述潜在状态的转移动力学，并通过似然模型连接潜在状态与离散时间点上的观测。该方法在诱导变量框架内采用随机梯度 Hamiltonian Monte Carlo 实现自由形式变分推断；进一步利用所提出的变分分布，对诱导变量进行解析边缘化，构建 collapsed 扩展。作者还展示了该框架与 particle MCMC 方法结合的结果。摘要未提供变分分布、目标函数、采样更新及具体计算复杂度，相关实现细节尚未验证。 作者报告，在六个真实世界数据集上，该方法对转移动力学与潜在状态的学习比竞争方法更准确。摘要未列出数据集名称、划分方式、对照方法、评价指标或具体数值，因此尚不能判断收益大小及适用条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务需要从离散时序观测中估计连续潜在动力学，该推断框架可能用于缓解简化后验对时间依赖的表达限制。这一假设依赖可用的时序观测，以及合适的潜在状态、观测似然和数据规模；可复用的是 GPSSMs 推断框架，需改造的是 EEG 观测模型、通道映射及被试差异处理。低信噪比、通道变化、跨被试非平稳性和小数据可能导致动力学不可辨识或采样不稳定。可先在固定被试与通道的 EEG 序列上，保持状态模型、观测模型和数据划分一致，对比该方法与简化变分推断的留出序列预测表现及计算成本。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。

    阅读价值：值得核对其自由形式变分推断与诱导变量解析边缘化如何兼顾时序后验表达能力和计算成本，但摘要不足以验证性能优势及其对 EEG 建模的适用性。

  3. OpenReview · State space models72

    用于多视图强化学习的信息论状态空间模型

    基于摘要分析。本文研究 Multi-View Reinforcement Learning（MVRL）中如何利用来自多个来源、具有时间依赖且可能间歇缺失的观测进行最优控制，提出 Fuse2Control（F2C），以信息论方法从多视图观测序列中捕获底层状态空间模型。 核心问题是：多视图表示学习所提取的潜在表示并不必然适合控制任务，尤其是在观测具有时间依赖、部分视图间歇缺失时。F2C 的目标是聚合各视图中与任务相关的信息，并以状态空间模型支持控制。摘要未给出具体信息论目标、损失形式、状态转移与观测模型参数化、训练或推理流程，因此这些机制尚待全文核对。 作者报告，在多种控制任务上的实验中，F2C 能有效聚合多视图的任务相关信息，随视图数量线性扩展，并对任意缺失视图情形保持鲁棒性。摘要未说明线性扩展具体指计算量、存储量还是其他开销，也未提供任务名称、对照基线、缺失模式、结果指标或数值；实验协议、消融及统计信息尚未验证，不能据此确定其相对优势大小。 平台推测（待验证）：若将多通道 EEG 或同步多模态神经观测组织为时间对齐的多视图序列，并具备控制任务反馈，F2C 的状态建模与缺失视图处理思路可能对应 BCI 中传感器缺失和时序信息整合问题。可考虑复用多视图融合与状态表示思路，但观测编码、时间同步和控制反馈接口需适配；低信噪比、跨被试差异、通道冗余及小数据训练可能使潜在状态不能稳定保留控制相关信息。一个可检验的小实验是在固定被试内划分和同一控制任务下，对完整观测与预设通道组间歇缺失条件进行比较，核对 F2C 相对同一基线的控制表现及随视图数变化的计算开销。原领域有效不等于 BCI 有效，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 Fuse2Control 如何从时序多视图观测中提取控制相关状态并处理缺失视图；作者报告的线性扩展性与缺失鲁棒性具有方法阅读价值，但其 EEG/BCI 适用性尚未验证。

2月23日周四
  1. OpenReview · State space models74

    基于扩散与结构化状态空间模型的时间序列插补和预测

    基于摘要分析。本文研究时间序列缺失值插补，并涉及预测任务，提出 SSSD，将条件扩散模型与结构化状态空间模型结合，用于生成式插补及捕获时间序列中的长时依赖。 机制上，扩散模型承担生成建模，结构化状态空间模型作为内部架构处理时序依赖。摘要未说明具体条件输入、扩散过程、损失函数、训练方式及预测任务的实现，相关细节尚未验证。 作者报告，在多种数据集和缺失情景下，SSSD 的概率插补与预测表现达到或超过既有先进方法，包括具有挑战性的 blackout-missing 情景；作者称此前方法在此类情景下未能提供有意义的结果。摘要未列出数据集、缺失比例与生成规则、划分方式、对照基线或具体指标，因此不能据此量化优势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。 平台推测（待验证）：若 EEG 中的连续缺失片段仍可由可见时序上下文约束，这种生成式插补与长时依赖建模的组合可能用于信号修复；原领域结果不等于 BCI 有效性证据。可考虑复用扩散与状态空间建模组件，但需核对并改造多通道条件输入、缺失掩码及采样率适配。低信噪比、跨被试差异、通道布局变化和小数据可能使模型生成平滑但不真实的波形，甚至改变任务相关特征。 一个可检验的小实验是假设：在固定 EEG 被试内训练与测试划分后，仅对测试记录施加预设长度的连续缺失，与简单插值及适配的时序插补基线比较重建误差、频谱保真度和下游任务性能，并单独检查生成片段的不确定性。已有 EEG 相关工作尚未检索确认；复现所需代码、配置及计算资源也尚未验证。

    阅读价值：值得关注 SSSD 将条件扩散与结构化状态空间模型结合以处理长时依赖及 blackout-missing 缺失的机制，但其性能优势和对 EEG 缺失修复的适用性仍需核对实验协议并独立验证。

1月1日周日
  1. OpenReview · State space models78

    Meta-State-Space Learning：随机动力系统的辨识方法

    基于摘要分析。本文研究如何从输入—输出数据辨识随机动力系统，旨在减少既有方法对噪声结构或状态概率分布的限制性假设。核心贡献是将一类非线性随机系统表示为 meta-state-space 模型，再用 Artificial Neural Network（ANN）学习其中的非线性函数，以预测随时间变化的输出分布。 机制上，meta-state 可解释为状态概率函数空间参数化的参数向量。原系统的状态具有随机性，但该分布表示的 meta-state 动力学是确定性的，因此可通过确定性模型辨识随机系统。摘要称这一表示对广泛的一类非线性随机系统是精确的；具体系统类别、分布参数化方式及表示成立条件需由正文核对。这里的 meta-state 指分布层面的状态表示，不应仅凭名称理解为元学习。 作者报告，在其高度非线性、高度随机的系统实验中，所辨识模型的 log-likelihood 接近理论极限。摘要未提供数值、数据规模、划分、对照基线或理论极限的计算方式，故尚不能据此判断收益幅度与泛化能力。实验协议、消融及统计信息尚未验证，ANN 结构、训练目标和实现条件也尚未验证。 平台推测（待验证）：若 EEG 时序可合理描述为受输入驱动的随机动力系统，该机制或可用于刻画输出分布的不确定性，而非只预测均值。可复用的是分布状态的确定性演化框架，需改造的是 EEG 观测映射、分布参数化及可观测输入的定义；其对监督形式和数据规模的依赖尚未明确。低信噪比、通道变化、跨被试差异及小数据可能使分布辨识不稳定。一个可检验的假设是：在固定通道、被试内且严格隔离训练与测试时段的 EEG 预测任务中，该表示较匹配容量的概率预测基线改善测试 log-likelihood 与分布校准；这不等于改善 BCI 解码性能。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其将随机状态分布演化转化为确定性 meta-state 动力学的表示与辨识机制；作者报告的对数似然接近理论极限，但适用条件和实验协议尚未验证。

  2. OpenReview · State space models80

    用于长程时空建模的卷积状态空间模型

    基于摘要分析。本文研究长时空序列中复杂空间相关性与长程时间依赖的联合建模，提出卷积状态空间模型 ConvSSM，并形成高效变体 ConvS5；原研究对象是时空序列预测，而非 EEG 或 BCI。 核心机制是结合 ConvLSTM 的张量状态建模与 S4、S5 等状态空间方法的长序列建模思路。作者将并行扫描用于卷积递推，以实现次二次复杂度的并行计算和快速自回归生成，并建立 ConvSSM 动力学与 SSM 的等价关系，据此设计面向长程依赖的参数化及初始化策略。其针对的对照瓶颈分别是 ConvLSTM 的顺序计算，以及 Transformer 注意力成本随序列长度二次增长；具体状态结构、参数化形式和训练目标尚未验证。 作者报告，在长预测跨度的 Moving-MNIST 实验中，ConvS5 的表现显著优于 Transformers 和 ConvLSTM，训练速度为 ConvLSTM 的 3 倍，样本生成速度为 Transformers 的 400 倍；这些倍数仅对应摘要所述实验，序列长度、硬件、批量大小及具体计时口径尚未验证。作者还报告，在 DMLab、Minecraft 和 Habitat 预测基准上，其性能达到或超过所比较的先进方法，但摘要未提供具体指标及数值。实验协议、数据划分、消融及统计信息尚未验证，代码与复现配置亦需核对全文。 平台推测（待验证）：假设 EEG 可被组织为具有合理空间邻接关系的多通道时间序列，卷积空间建模与状态空间长程递推可能对应多通道相关性和长时窗计算成本两个瓶颈。并行扫描及长程初始化思路可能复用，但输入表示、空间卷积和任务输出需适配电极布局与 EEG 监督方式；原任务的数据规模及监督细节尚未验证。低信噪比、跨被试分布差异、通道布局变化及小数据可能使视觉预测中的优势无法迁移。可在固定 EEG 数据划分与训练预算下，用同一空间前端比较 ConvS5 与非卷积 SSM 的长时窗任务性能、训练和推理耗时，检验卷积状态是否带来稳定增益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其将卷积递推转化为可并行扫描的机制及长程依赖参数化策略，但作者报告的预测性能与速度优势仍需结合全文实验协议核对，EEG 迁移价值尚未验证。

  3. OpenReview · State space models70

    基于 ANN 状态空间模型的计算高效预测控制

    基于摘要分析。本文研究如何降低基于人工神经网络（ANN）状态空间模型的非线性模型预测控制（NMPC）计算复杂度，提出将 ANN 状态空间模型自动转换为线性参数变化（LPV）形式，并通过连续求解线性模型预测控制问题实现控制，这些子问题对应二次规划（QP）。主要研究对象是非线性系统辨识与预测控制，而非 EEG 解码或 BCI。 核心机制：摘要指出，直接使用 ANN 模型进行 NMPC，可能因网络规模产生复杂的非线性优化问题，同时需要高阶观测器跟踪模型状态，且未充分利用自动微分工具。作者提出的 LPV 转换与连续 QP 求解路径旨在降低优化负担；此外，作者说明带有状态编码器的 SUBNET 等已有深度学习方法可支持在辨识得到的 ANN 模型上高效实现模型预测控制。具体转换公式、调度变量、编码器输入、训练方式、自动微分的使用环节及求解收敛条件尚未验证。 结果与边界：作者报告在不平衡圆盘系统的仿真研究中展示了该方法的性能。摘要未提供控制误差、求解耗时、对照基线或定量增益，因此不能判断加速幅度及控制性能是否存在折衷；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若闭环 BCI 已具备可辨识的状态—输入—输出动力学，该机制可能用于控制端而非直接替代 EEG 解码器。此假设依赖足够的时序与控制输入数据，以及可用的状态估计；可复用的是 LPV 转换和 QP 求解思路，需改造的是状态编码、观测映射、控制目标与安全约束。低信噪比、跨被试差异、通道变化及小数据可能使状态估计与局部模型失准。一个可检验的小实验是在固定的数据划分、预测时域和约束下，对同一已辨识的闭环动力学模型比较直接 NMPC 与该方法的求解耗时、跟踪误差及约束违例，再加入观测噪声检验稳健性；这不构成已验证的 BCI 结论。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其将 ANN 状态空间模型转换为 LPV 形式、以连续求解二次规划实现预测控制的机制，但摘要证据仅覆盖不平衡圆盘系统仿真，尚不能支持 EEG 或 BCI 应用效果。

  4. OpenReview · State space models79

    用于时间序列生成的深度潜在状态空间模型

    基于摘要分析。本文研究连续时间序列生成：现有基于普通微分方程（ODE）的方法需要显式计算隐状态递推，计算开销较大，并在学习具有剧烈突变的序列时面临数值优化困难。作者提出 LS4，使潜变量按照状态空间 ODE 演化，并利用受 S4 启发的卷积表示绕过隐状态的显式求值，以提高建模能力和计算效率。 核心机制是将连续时间潜变量动力学与可卷积计算的状态空间表示结合，而非仅通过逐步递推生成隐状态。摘要提及变分下界，但潜变量分布、推断模型、损失形式、训练流程及不规则采样的具体处理方式尚未验证，不能据此确定完整实现。 作者报告，在 Monash Forecasting Repository 的真实数据集上，LS4 在边缘分布、分类和预测评分方面优于此前的连续时间生成模型，并能建模具有剧烈时间突变的高随机性数据。作者还报告，在不规则采样数据集上获得更低的均方误差和更紧的变分下界，并在长序列场景中相较其他基线实现约 100 倍速度提升；摘要未提供具体数据集、划分、基线名称、序列长度、硬件和计时口径，这些结果的适用范围需查阅全文核对。作者关于连续时间潜变量生成模型最优水平的表述也尚需完整对照实验支持。 平台推测（待验证）：其卷积式潜在动力学可能为长时程 EEG 生成提供计算上的借鉴，但原研究对象是通用时间序列，并非 EEG 或 BCI。迁移依赖时间序列结构及足够的训练数据；可考察复用潜变量动力学与卷积计算模块，需改造多通道观测表示及采样时间处理。低信噪比可能使模型将伪迹当作突变，被试差异、通道配置变化和小数据也可能削弱泛化。一个可检验的小实验是在固定被试内 EEG 训练／测试划分下，与连续时间生成基线比较生成质量和长序列运行时间，并明确区分生理瞬态与伪迹。已有 EEG 相关工作尚未检索确认；实验协议、消融及统计信息尚未验证。

    阅读价值：值得阅读的具体原因是 LS4 将潜变量状态空间 ODE 与卷积表示结合，针对连续时间序列生成中的显式递推开销和突变建模困难提出机制路径；其 EEG 适用性尚未验证。

  5. OpenReview · State space models70

    基于结构化状态空间模型的扩散式条件 ECG 生成

    基于摘要分析（仅提供 Highlights，未取得论文全文）。本研究面向心电图（ECG）合成，使用结构化状态空间模型支持扩散生成，并以 71 种 ECG 描述作为条件，目标是生成符合指定心电特征的信号；研究对象不是 EEG 或 BCI。 方法层面，材料明确了条件生成、扩散模型与结构化状态空间模型的组合，但尚未说明条件编码方式、状态空间模块在生成模型中的位置、训练目标及采样流程。71 种 ECG 描述的定义、组合方式与标注来源也尚未验证。 作者报告，所提模型在多种指标上优于 GAN-based models，并称其达到当前最优水平；但所用数据集、数据划分、对照模型、指标名称及具体数值未在材料中提供，因而无法判断优势幅度或比较条件。作者还报告，类别插值与 ECG 领域知识一致，心脏科医生参与的图灵测试支持生成样本具有较高质量；评估人数、盲法、判断任务与统计信息尚未验证。 阅读与复现时需核对条件一致性、信号质量的评价方法，以及训练数据和生成样本的关系。实验协议、消融及统计信息尚未验证。现有材料不足以建立具体的 EEG/BCI 迁移机制，因此不将 ECG 生成结果视为 BCI 有效性证据；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其以结构化状态空间模型支持条件扩散生成 ECG 的方法组合，以及类别插值与心脏科医生评估提供的验证线索，但性能优势及评估协议尚需全文核对。

  6. OpenReview · State space models76

    用于语音识别的多头状态空间模型

    基于摘要分析。该研究针对语音识别中的序列建模，提出带特殊门控机制的多头状态空间模型 MH-SSM，使并行头学习局部与全局时间动态；同时提出以 MH-SSM 层增强 transformer 模块的 Stateformer。 机制与对照：MH-SSM 被设计为 transformer 编码器中多头注意力的可直接替换模块。作者报告，在 LibriSpeech 语音识别任务上，该架构显著优于 transformer transducer，但摘要未提供这一替换方案的具体分数及显著性检验细节。Stateformer 则采用增强 transformer 模块的方式，不能与完全替换注意力的方案混为一谈。门控形式、状态空间参数化、训练目标及推理实现尚未验证。 结果：作者报告，Stateformer 在不使用外部语言模型的条件下，开发集 word error rate 为 1.76%/4.37%，测试集为 1.91%/4.36%，并称其达到 LibriSpeech 任务的当时最优表现。摘要未明确两组数值对应的子集名称，因此不补写；训练数据配置、对照设置、消融及统计信息尚未验证，也不能据此推断其计算效率优势。 平台推测（待验证）：假设局部与全局时间动态的并行建模能缓解 EEG 长序列中短时事件与较长时间依赖难以兼顾的问题，可尝试复用 MH-SSM 序列模块，但需改造 EEG 通道输入与任务输出。原任务依赖语音序列及语音识别监督，其收益对训练规模的依赖尚不清楚；低信噪比、通道差异、跨被试分布变化及小数据可能使门控学到噪声或被试特异模式。一个可证伪的小实验是在同一 EEG 任务、固定跨被试划分和训练预算下，仅将基线编码器的多头注意力替换为 MH-SSM，比较预先指定的任务指标与跨被试稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：MH-SSM 通过带门控的并行状态空间头建模局部与全局时间动态，值得核对其替换及增强注意力模块的实现与对照，但语音识别收益能否迁移至 EEG 尚未验证。

  7. OpenReview · State space models72

    基于状态空间模型的高效长文档分类

    基于摘要分析。本文研究长文档分类中标准自注意力的二次计算复杂度与有限长度外推能力，探索用 State-Space Models（SSMs，状态空间模型）替代自注意力，并提出 SSM-pooler，以兼顾分类性能与处理效率。 作者在六个长文档分类数据集上开展实验，覆盖二分类、多分类和多标签分类，对比经过预训练及未经预训练的 SSMs 与基于自注意力的模型。作者报告，SSM-pooler 在这些长文档分类实验中取得可比性能，同时平均效率提升 36%；但摘要未明确该效率指耗时、吞吐量、计算量还是其他口径，也未给出具体对照模型与统计方式。作者还报告方法对输入噪声具有更高鲁棒性，包括噪声达到 40% 的极端情形；噪声类型、比例定义及对应性能指标尚未验证。 方法的主要方向是改变长序列建模机制，而非对自注意力使用稀疏或层次化结构。SSM-pooler 的内部结构、池化操作、训练目标、预训练方案，以及数据集名称、划分、长度设置、消融与统计信息均需全文核对，不能仅凭摘要判断其优势来自哪一模块。 平台推测（待验证）：假设 SSM 的长序列处理机制能缓解长时间窗 EEG 分类的计算瓶颈，可尝试复用序列编码与分类汇聚思路，但需将文本输入接口改为多通道 EEG 表征，并验证其能否保留短暂事件与跨通道信息。文本输入噪声鲁棒性不等同于对 EEG 伪迹、低信噪比或被试差异的鲁棒性；小数据训练也可能削弱优势。一个可检验的小实验是在固定数据划分、时间窗、参数预算和训练预算下，对比 SSM-pooler 与自注意力模型，分别评估分类表现、推理耗时及明确噪声条件下的性能变化，并将被试内与跨被试结果分开报告。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 SSM-pooler 在长文档分类中的效率与噪声鲁棒性评估，但摘要未说明效率口径及噪声定义，作者报告的优势尚不能直接外推至 EEG。