跳到正文

研究类型与证据

开放状态未知 最新动态

开放状态未知 研究索引；按可核对的标签归档，不以热度评价质量。

686 条精选近 30 天 455 条共收录 876 条

更新

精选归档 · 第 31 页

6月21日周五第 601–620 条
  1. OpenReview · Representation learning72

    迈向高效的大规模语言-3D 表征学习

    基于摘要分析。该研究探索如何高效学习大规模 3D 对象与语言之间的跨模态表征，提出 MaskCL3D，结合 3D 点云、语言描述和多视角图像上的对比学习与掩码重建，并构建覆盖多类对象及描述的语言-3D 数据集。 机制上，对比学习用于跨模态表征学习，掩码重建提供补充学习信号；但摘要未说明具体对齐对象、掩码施加位置、重建目标、损失组合及推理流程，不能据此确定效率提升来自何种设计。其贡献同时涉及训练方法和数据资源，阅读全文时需核对两者的独立作用，以及训练与测试效率的衡量方式。 作者报告，在其评估的零样本分类和检索任务中，使用新数据集训练的模型优于使用其他数据集训练的模型，MaskCL3D 与新数据集的组合相较现有基线达到最先进性能；作者还报告，表征分析显示语言和 3D 表征包含丰富语义信息。摘要未提供数据集名称、规模、划分、基线、具体指标或数值，因此这些结论目前只能保留为作者的定性报告，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 与文本描述或刺激图像存在可靠配对，可假设跨模态对比学习与掩码重建的组合有助于学习语义相关表征，但 3D 对象上的结果不等于 EEG/BCI 效果。可复用的是学习目标的组合思路，需改造点云编码与重建模块以适应 EEG 时序和通道结构；低信噪比、跨被试差异及小规模配对数据可能导致模型学习刺激或被试特征，而非目标语义。一个可检验的小实验是在固定跨被试划分和相同数据预算下，比较仅对比学习与加入 EEG 掩码重建的模型，检查跨模态检索表现是否稳定改善。相关 EEG 工作尚未检索确认；代码、数据可用性及完整复现条件也尚未验证。

    阅读价值：值得核对 MaskCL3D 如何联合对比学习与掩码重建，以及方法改进和新数据集分别对零样本分类、检索及计算效率的贡献；摘要尚不足以分离这些因素。

6月18日周二
  1. OpenReview · State space models78

    谱状态空间模型

    基于摘要分析。该研究面向具有长程依赖的序列预测任务，提出基于 spectral filtering 算法学习线性动力系统的状态空间模型（SSMs）新表述，并由此构建 spectral state space model。其核心特点是采用无需学习的固定卷积滤波器，将谱滤波机制用于长记忆序列建模。 理论与实验：作者报告，该模型对需要长记忆的任务具有可证明的鲁棒性性质，并在合成动力系统及不同模态的长程预测任务上进行评估；作者认为这些评估支持 spectral filtering 在超长记忆任务中的理论优势。摘要未给出鲁棒性的具体定义、假设条件、滤波器构造、训练目标或推理流程，也未列出数据集、划分、对照基线和定量指标，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理论保证覆盖的动力系统范围，以及固定滤波器相对可学习机制的收益与限制。 平台推测（待验证）：迁移假设是，固定谱滤波器可能为 EEG 中长程时间依赖的提取提供可复用的时间建模模块，但原领域有效不等于 BCI 有效。其原始机制依赖序列数据及线性动力系统学习表述，所需监督形式与数据规模尚未验证；用于 EEG 时仍需适配多通道输入、任务输出及跨被试差异。低信噪比、非平稳性、通道配置变化和小数据可能削弱固定滤波器的适配能力。一个可证伪的小实验是在同一 EEG 任务、相同预处理与固定划分下，对比固定谱滤波模块与可学习时间滤波模块，分别记录被试内、跨被试结果，并检查延长输入窗口是否稳定带来收益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对固定卷积滤波器与长记忆鲁棒性之间的理论联系及其适用条件，但摘要尚不足以判断其对 EEG 长程建模的实际收益。

  2. OpenReview · Representation learning73

    通过时间序列对称性进行基于 Gaussian Process 的表征学习

    基于摘要分析。研究面向动力系统的可信预测与表征学习，提出一类具有线性时不变响应、非线性仅体现在初始条件上的 Gaussian processes（GP），旨在同时量化预测不确定性与表征不确定性。 核心机制是利用响应的线性结构，使多步预测中的不确定性传播保持可处理，并为学习表征提供概率化描述。作者还提出一种基于数据的对称化方法，作者报告该方法能够改善 GP 的泛化能力，并获得可处理的连续时间后验，无需多个模型或近似不确定性传播。摘要未给出对称化的具体构造、核函数、表征参数化或训练与推理细节，尚不能判断其适用边界与计算成本。 材料未提供数据集、样本规模、数据划分、对照基线及量化指标，因此上述优势应视为作者在摘要中的报告；实验协议、消融及统计信息尚未验证。复现需进一步核对初始条件如何进入模型、线性时不变响应如何构造，以及连续时间后验的计算流程。 平台推测（待验证）：假设局部 EEG 动态可以由该类响应结构近似，GP 后验及数据对称化可能用于带不确定性估计的时序表征。可考虑复用概率建模框架，但需针对 EEG 通道结构和非平稳性改造观测与对称化机制；低信噪比、跨被试差异及小数据可能导致模型假设失配。一个可检验的小实验是在固定的被试内数据划分下，对比加入与不加入对称化的同类 GP，评估多步预测误差和预测区间覆盖率，再检查结果能否跨会话保持。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其如何利用时间序列对称性与线性时不变响应，在同一 Gaussian process 框架中处理预测和表征不确定性；该机制对 EEG 动态建模的适用性尚未验证。

  3. OpenReview · State space models75

    ProtMamba：一种感知同源性但无需序列比对的蛋白质状态空间模型

    基于摘要分析。ProtMamba 针对蛋白质设计中如何利用同源序列的进化信息、同时避免依赖不完善的多序列比对构建流程这一问题，提出基于 Mamba 的蛋白质语言模型。其核心贡献是将拼接的同源序列作为长上下文输入，在不进行序列比对的情况下建模同源信息。 机制与训练：模型在大规模拼接同源序列数据上训练，通过 fill-in-the-middle 目标结合自回归与掩码语言建模。作者报告，相比基于注意力的模型，ProtMamba 能高效处理包含数百条蛋白质序列的长上下文。摘要未给出数据集名称、具体规模、模型参数量、目标实现及计算效率测量条件，这些信息尚未验证。 结果与证据边界：作者报告模型可用于新序列生成和适应度预测，并在模型规模较小的情况下取得与其他蛋白质语言模型有竞争力的表现，认为这体现了长上下文条件信息的重要性。具体指标、对照模型、数据划分、同源关系控制、消融及统计信息尚未验证，因此不能据此判断性能提升幅度或将效果单独归因于 Mamba、同源上下文或训练目标。 平台推测（待验证）：其长上下文条件建模机制可能为 EEG 中利用多段相关记录提供思路，但蛋白质同源序列的进化关系并不等同于跨被试或跨会话的 EEG 关联。迁移假设依赖可靠的记录分组与上下文构造，需要改造连续信号表示、通道编码和训练目标；低信噪比、通道差异及小数据可能使长上下文引入无关信息。一个可检验的小实验是在固定 EEG 任务与数据划分下，比较相关记录上下文、随机记录上下文和无上下文条件，检验收益是否来自上下文相关性。该实验仅为迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的具体原因是 ProtMamba 以无需多序列比对的同源序列长上下文建模探索进化信息利用，并结合 fill-in-the-middle 训练目标；其性能与规模优势仍需结合全文中的评估协议和对照核验。

5月28日周二
  1. OpenReview · Representation learning75

    以多样性实现统一：改进多模态 VAEs 的表征学习

    基于摘要分析。该研究针对多模态 VAEs 中共享表征的硬约束可能限制模态信息保留的问题，提出 mixture-of-experts prior，以软约束引导各模态的潜在表征靠近共享的 aggregate posterior。核心贡献是用较柔性的跨模态对齐替代编码器输出、解码器输入或二者的强制共享。 机制上，作者认为现有共享结构对模型施加了硬约束，而所提先验可在形成共同表征的同时，更好地保留各模态原始特征中的信息。摘要未给出先验的具体参数化、aggregate posterior 的构造方式、损失形式及训练与推理流程，不能据此判断其实现复杂度或与既有方法的结构差异。 作者报告，在多个基准数据集及一个具有挑战性的真实神经科学数据集上，相比现有方法，所学潜在表征和缺失模态补全均有改善。摘要未提供数据集名称、神经信号类型、被试数、划分协议、对照方法或具体指标；实验协议、消融及统计信息尚未验证，也无法判断表征改善对应何种下游任务。 平台推测（待验证）：假设用于 EEG 与其他同步模态的联合建模，软共享机制可能缓解不同模态信息被强制压入共同表征的瓶颈。其依赖模态间存在可学习的共享结构，配对数据与监督条件仍需核对；可考虑复用先验与软对齐思想，但需改造 EEG 编解码模块及缺失模态处理流程。低信噪比、跨被试差异、通道变化和小数据条件可能使共享表征受较强模态主导。一个可检验的小实验是在同一配对数据与固定跨被试划分下，对比硬共享和软约束模型，并在预先规定的模态缺失条件下评估补全及下游任务表现。以上不是已验证的 EEG/BCI 结果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其 mixture-of-experts prior 如何在跨模态共享与模态特有信息保留之间实现软约束，以及缺失模态补全的收益是否在不同缺失条件下稳定；摘要中的神经科学实验尚不足以确认 EEG/BCI 适用性。

2月8日周四
  1. OpenReview · Representation learning76

    通过最优 canonical metric 进行自监督李代数表征学习

    基于摘要分析。该研究针对有限训练样本下的视觉分类，提出自监督李代数表征学习框架 SLA-Net，核心是将表征距离的优化置于李代数的向量空间中，并联合自监督学习与监督分类。 作者指出，在其讨论的理论设定下，直接使用李群上的 canonical metric 并不正确，并声称证明了有效的优化度量应采用李代数上的 canonical metric。SLA-Net 最小化目标与预测李代数表征之间的 canonical metric 距离，以避免在流形上计算非平凡测地距离；自监督任务与监督分类同时优化同一组共享参数。摘要未说明目标表征的构造方式、自监督任务、度量的具体形式，以及原标题中“Optimal”所对应的优化条件，这些均需核对正文。 作者报告，在八个公共数据集上的有限样本视觉分类评估支持 SLA-Net 的有效性，并将泛化改善归因于联合优化。摘要未提供数据集名称、样本规模、数据划分、对照基线或具体指标，因而无法判断收益幅度及适用范围；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 特征具有可合理映射至李群或李代数的几何结构，该方法的向量空间距离优化与共享表征学习可能有助于小样本 EEG 分类。可复用的是李代数表征距离与联合优化思路；需改造的是 EEG 编码器、几何映射及自监督目标，不能直接将一般 EEG 特征或协方差结构等同于论文所需的李群结构。低信噪比、跨被试分布差异、通道配置变化及小数据下不稳定的几何估计都可能使收益失效。可检验的小实验是在固定跨被试划分与相同标注预算下，比较同一编码器的监督基线、加入普通向量距离的自监督版本及加入论文李代数度量的版本，核对分类指标及多次重复的波动。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对其 canonical metric 的理论适用条件及自监督与监督分类共享参数的实现；这为有限样本表征学习提供了具体研究路径，但在 EEG 上的有效性尚未验证。

1月16日周二
  1. OpenReview · Representation learning79

    正确的 Laplacian 表征学习

    基于摘要分析。本文研究强化学习中的状态表征问题，提出用于近似 Laplacian 表征的新目标函数及配套优化算法，旨在准确恢复图 Laplacian 的特征向量和特征值，避免既有近似方法中的任意旋转及相关超参数依赖。 Laplacian 表征通过图的谱结构编码状态，可用于探索、泛化与迁移，也可为时间扩展动作发现和奖励塑形提供内在奖励。摘要指出，既有适配深度学习的近似目标存在难以高效调节的超参数，且可能收敛到目标特征向量的任意旋转，无法准确恢复对应特征值。作者报告，新方法具有理论保证，并在多个环境中表现出稳健的学习效果；但摘要未提供目标函数形式、优化步骤、环境名称、基线及量化指标，实验协议、消融及统计信息尚未验证。“消除超参数依赖”应限定为摘要所指的既有近似方法依赖，不能解释为整个训练过程无需超参数。 平台推测（待验证）：若 EEG 数据能够构造具有可靠邻接关系的样本图，该方法可能用于学习保留谱结构的表征，探索 EEG 表征的稳定性问题。这是假设，原领域效果不等于 BCI 效果。迁移需核对原方法对状态转移数据、图构造和采样规模的要求；可考虑复用谱目标与优化机制，但需改造 EEG 编码器及邻接关系。低信噪比、跨被试差异、通道配置变化和小数据可能使图结构偏离任务相关关系，即便谱恢复准确也未必改善解码。一个可检验的小实验是在固定 EEG 样本图、编码器与被试内划分下，对比既有近似目标和新目标的谱恢复误差、多次训练稳定性及下游解码表现；具体方案须待全文核对后确定。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其目标函数与优化算法如何消除 Laplacian 表征的任意旋转并同时恢复特征值，这直接关系到谱表征的可辨识性与复现稳定性，但具体实验协议尚未验证。

  2. OpenReview · Representation learning76

    以对象为中心的架构实现高效因果表征学习

    基于摘要分析。该研究讨论多对象观测为何可能破坏因果表征学习的可辨识性假设，并通过修改 Slot Attention、结合稀疏扰动提供的弱监督，学习各对象属性的解耦表征。作者报告，在一系列简单图像解耦实验中，该架构能够解耦对象集合的属性，且比编码到欧氏空间的可比方法需要更少的扰动。 核心机制：摘要指出，既有相关方法通常假设潜变量表示为 d 维向量，观测由潜变量经过单射生成函数得到。作者认为，多对象观测下该生成映射不再满足单射条件，并报告实践中的解耦失败；其解决路径是将以对象为中心的学习与因果表征学习结合，而非仅使用整体向量编码。Slot Attention 的具体修改、扰动作用于哪些属性、监督信息如何进入训练及损失形式均尚未验证。 证据边界：摘要中的数据效率指所需扰动更少，不宜直接等同于总训练样本、计算成本或标注成本更低。实验仅被描述为简单图像解耦实验；数据集、划分、对照实现、解耦指标、优势幅度、消融及统计信息尚未验证，也不能据此推断真实复杂场景中的有效性。 平台推测（待验证）：迁移至 EEG 的假设是，以稳定成分为单位的表征可能帮助区分混合信号中的潜在因素，但图像对象并不直接对应 EEG 神经源。可借鉴的是 Slot Attention 式成分分解与扰动监督思路；需改造观测编码，并明确哪些扰动能提供可靠监督。低信噪比、源混合、通道变化、跨被试差异和小数据可能使成分不稳定，导致属性解耦失效。一个可检验的小实验是在具有已知潜在源及稀疏扰动的合成 EEG 混合数据上，对比对象式表征与整体向量编码，在相同数据划分和扰动预算下检验源属性恢复及扰动需求。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其对多对象观测中生成映射单射假设失效的分析，以及结合 Slot Attention 与稀疏扰动弱监督的解耦机制；数据效率优势的具体幅度与适用边界尚未验证。

  3. OpenReview · Representation learning81

    面向强化学习的原则性视频表征学习

    基于摘要分析。该研究探讨如何利用视频预训练面向决策的表征，核心目标是恢复底层 MDP 的潜在状态，并从理论上刻画不同噪声条件下的学习难度。研究比较 autoencoding、temporal contrastive learning 与 forward modeling，区分观测中的 iid 噪声，以及具有时间相关性的外生噪声，例如背景中人员或车辆的运动。 理论方面，作者报告：在仅有 iid 噪声的设定下，为 temporal contrastive learning 和 forward modeling 建立了上界，表明这些方法能够学习潜在状态，并支持具有多项式样本复杂度的下游 RL。在同时存在外生噪声的设定下，作者建立下界，说明从视频学习的样本复杂度可能比从带动作标签的轨迹学习呈指数级恶化。该结论针对摘要所述设定，不宜扩展为所有视频预训练方法均无效；定理所需的可辨识性条件、数据生成假设及复杂度依赖项尚未验证。 实验方面，作者报告在两个视觉领域评估了这些表征学习方法，结果与理论发现一致。摘要未提供领域名称、数据规模、划分、对照细节或具体指标；autoencoding 的具体理论结论，以及实验协议、消融及统计信息尚未验证。摘要也未说明实现与复现资源。 平台推测（待验证）：若将视频中的潜在状态与外生干扰结构对应到 EEG，本文可为区分任务相关动态与时间相关干扰提供分析视角，但前提是潜在状态及决策结构的假设适用。可借鉴的是噪声分类与表征目标的比较框架；观测建模和决策接口需针对 EEG 改造。低信噪比、跨被试差异、通道变化及小数据都可能破坏状态可辨识性，不能由视觉领域结论推出 BCI 效果。一个可检验的小实验是在可控潜在状态的多通道模拟信号中，分别加入 iid 与时间相关干扰，比较上述表征方法的状态恢复能力，并在明确记录动作的决策设定中加入带动作标签的轨迹对照。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其对 iid 噪声与时间相关外生噪声的理论区分，以理解视频预训练何时支持高效下游 RL、何时相较带动作标签的轨迹面临样本复杂度障碍；具体定理条件尚待全文核对。

  4. OpenReview · Representation learning76

    理解 CLIP 中的可迁移表征学习与零样本迁移

    基于摘要分析。本文研究 CLIP 如何通过视觉—语言对比预训练学习可迁移的联合表征，以及这些表征为何能支持下游零样本迁移；贡献包括跨模态特征对齐的形式化分析、零样本迁移性能分析，以及由理论分析启发的新 CLIP-type 方法。 机制与证据：CLIP 利用图像与文本两种模态的对比预训练学习联合表征。本文围绕不同模态的特征如何对齐展开理论研究，并以真实数据实验支持理论分析。摘要未提供理论假设、对齐的数学定义、性能界或新方法的具体改动，因此尚不能判断其结论依赖何种数据结构、监督条件与训练规模，也不能将其归纳为某种具体损失或网络结构。 结果与核验：作者报告，新 CLIP-type 方法在基准数据集上优于 CLIP 及其他当时的先进方法。摘要没有给出数据集名称、任务、划分、指标或提升幅度；实验协议、消融及统计信息尚未验证。复现需进一步核对预训练数据、对照模型、零样本提示与评估设置，以及实现和计算资源要求。 平台推测（待验证）：跨模态对齐分析可能为 EEG 与文本或其他模态的联合表征研究提供理论视角，但这是迁移假设，不是本文已验证的 BCI 结果。可借鉴的是对齐与迁移的分析思路；EEG 编码、配对语义和时序聚合需另行设计，低信噪比、跨被试差异、通道配置与小样本可能削弱对齐效果。由于具体方法和理论条件尚不明确，目前不宜据此制定方法级复现实验；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其对 CLIP 跨模态特征对齐与零样本迁移的理论分析，但新方法的性能优势及其对 EEG 的适用性仍需结合全文与实验协议核验。

  5. OpenReview · Representation learning81

    面向预测任务类的表征学习博弈

    基于摘要分析。研究关注未来预测任务尚未确定、但已知其所属任务类时，如何学习降维表征并控制信息压缩造成的预测损失。作者提出双人博弈：第一方选择表征，第二方从给定任务类中对抗性地选择预测任务，以比较压缩表征与原始特征所能达到的最小预测损失。 核心机制是以预测遗憾（regret）作为博弈目标，即使用表征时的最小预测损失相对于使用原始特征时的差异；表征方最小化遗憾，任务方最大化遗憾。任务类承担先验知识的作用，因此框架并非针对单一已知任务优化降维，而是面向一组可能出现的任务控制最坏情形代价。 在表征、待预测响应及预测器均为线性函数、损失为均方误差的设定下，作者报告推导了纯策略下的理论最优表征，以及混合策略下的最优遗憾，分别用于说明任务先验与表征随机化的作用。对一般表征、预测函数和损失函数，作者提出仅需损失梯度的随机化表征优化算法，通过逐步向混合中加入表征规则进行优化。摘要未提供数据集、实验指标或具体实现；理论成立条件、随机化在训练与推理中的执行方式、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 特征上的未来任务可被合理界定为一个任务类，该框架可能用于检验降维是否保留多任务预测所需的信息，而不只优化单一标签。可复用的是任务类约束、遗憾目标和混合表征优化思想；需改造的是 EEG 特征构造、任务类定义及损失设计。任务先验失配、低信噪比、跨被试分布变化、通道不一致与小数据下梯度估计不稳定，都可能使原领域机制无法直接迁移。一个可检验的小实验是在固定 EEG 数据划分和预先定义的任务类上，比较原始特征、同维度确定性表征与随机化表征的各任务预测损失及最坏情形遗憾，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。

    阅读价值：值得阅读其以任务类先验约束最坏情形预测遗憾的表征学习框架，以及纯策略最优表征与混合策略最优遗憾的理论区别；其对 EEG 降维的价值尚未验证。

  6. OpenReview · Representation learning82

    非独立同分布、非各向同性数据下的样本高效线性表征学习

    基于摘要分析。本文研究如何从异质来源或任务的数据中学习共享线性表征，在带噪向量观测 y = Mx + w 中恢复线性算子 M，允许协变量 x 非独立同分布且非各向同性。核心贡献是提出 De-bias & Feature-Whiten（DFW），改造交替最小化—下降（AMD）方案，以减轻表征更新偏差并改善多任务数据带来的统计收益。 机制与理论：作者指出，忽略各向同性问题的既有元学习方法会在表征更新中引入偏差，使噪声项无法保持随源任务数量增加而改善的有利尺度，进而让样本复杂度受单个任务的数据量限制。作者报告，在其理论条件下，DFW 可线性收敛至最优表征，噪声水平随源任务总数据量增大而降低，并得到与 oracle empirical risk minimizer 同阶的泛化界。摘要未提供具体去偏公式、白化估计方式或定理假设，不能将该结论理解为适用于任意相关数据。 数值验证：作者报告，多项数值模拟支持 DFW 的重要性；其中，普通 AMD 即使面对独立同分布但轻度非各向同性的数据，也可能严重失效。具体模拟规模、误差指标、对照配置、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 任务可近似为共享线性特征与任务特定映射，且跨被试或跨会话的协变量分布满足相应理论条件，DFW 的去偏与特征白化思路可能缓解协方差差异造成的表征更新偏差。可复用的是更新机制，需改造的是 EEG 特征构造、任务定义及协方差估计；低信噪比、小样本、通道差异或病态协方差可能使白化不稳定，线性共享表征假设也可能不成立。一个可证伪的小实验是在固定跨被试训练／测试划分及每个源被试样本量的条件下，逐步增加源被试数量，对比普通 AMD 与 DFW 的目标被试预测误差，检验增益是否随总源数据量增长。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其对非各向同性数据导致表征更新偏差的分析，以及 DFW 如何恢复随源任务总数据量改善的噪声尺度；这些机制对异质 EEG 表征学习的适用性尚未验证。

  7. OpenReview · Representation learning74

    基于细粒度交互的蛋白质–配体结合表征学习

    基于摘要分析。该研究针对蛋白质–配体结合预测中监督数据有限、模型泛化受限的问题，提出以细粒度交互为核心的自监督表征学习方法。不同于分别预训练蛋白质和配体的思路，作者将预训练表述为：给定结合口袋与配体，预测最终结合复合物结构。 机制上，方法采用基于 Transformer 的交互模块，并设置原子对距离图预测与配体掩码重建两项预训练任务，分别从结构空间和特征空间建模结合交互。摘要未说明距离图的具体覆盖范围、掩码策略、损失形式及任务组合方式，这些实现细节尚未验证。 作者报告，该方法在蛋白质–配体亲和力预测、虚拟筛选和蛋白质–配体对接等任务中表现优于对照方法，但摘要未提供数据集、数据划分、基线名称、指标或数值，因而无法判断优势幅度及泛化边界。实验协议、消融及统计信息尚未验证；复现还需核对预训练数据来源、复合物结构处理、下游训练设置，以及代码和模型权重的可用性。 平台推测（待验证）：可借鉴的是“显式关系预测与掩码重建联合预训练”的机制，而非直接移植分子结合模型。其原始任务依赖结合口袋、配体及原子级结构关系；EEG 中可假设用通道间关系预测辅助掩码信号重建，以应对标注有限时的表征学习问题。可复用交互建模和双任务框架，但需改造输入编码与关系目标，不能将原子距离直接等同于 EEG 功能连接。低信噪比、参考方式、跨被试差异和通道配置变化均可能使关系目标不稳定，小数据下也可能学到伪迹。一个可证伪的小实验是：在固定 Cross-subject 划分和相同预训练数据条件下，对比仅掩码重建与加入关系预测的模型，检验下游性能及通道扰动稳定性是否改善。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其以原子对距离预测和配体掩码重建联合学习细粒度交互的自监督机制，但摘要中的多任务优势仍需结合完整实验协议核对，向 EEG 的迁移尚未验证。

  8. OpenReview · Representation learning73

    FLD：用于结构化运动表征与学习的傅里叶潜在动力学

    基于摘要分析。FLD 面向基于物理的运动学习中参考轨迹稀疏、部分运动区域数据覆盖不足的问题，提出自监督的结构化运动表征与生成方法，提取周期或准周期运动中的时空关系，并通过连续参数化的潜在动力学支持运动插值与泛化。 机制与贡献：摘要将结构化运动表征、连续潜在空间及在线运动跟踪控制联系起来。作者报告，利用运动参数化信息的控制器可在线跟踪多种运动，包括训练期间未见的目标；当提出潜在风险目标时，控制器通过回退机制动态调整跟踪策略，转向安全动作执行。摘要未说明 Fourier 参数化的具体形式、自监督目标、训练流程、风险判定条件及安全动作定义，这些内容尚未验证。 证据边界：摘要未提供数据集、运动类型、训练与测试划分、对照方法或量化指标，因此尚不能判断插值与泛化提升的幅度，也不能将安全回退描述等同于经过形式化验证的安全保证。实验协议、消融及统计信息尚未验证；复现所需实现、配置与数据条件也需查阅全文。 平台推测（待验证）：假设连续潜在动力学能够保留任务相关的周期结构，该机制可能用于探索节律性 EEG 的表征，但运动轨迹的周期结构不等同于 EEG 的神经振荡，已有 EEG 相关工作尚未检索确认。可考虑复用周期结构提取与潜在参数化思路，需改造 EEG 输入编码及任务评估；运动控制器与安全动作回退不能直接视为 BCI 模块。低信噪比、非平稳性、被试和通道差异，以及小数据条件下的周期估计误差，均可能使迁移失败。一个可证伪的小实验是在固定被试内划分的 SSVEP 数据上，比较采用与不采用该结构化潜在表征的同一分类流程，在相同训练数据量和预处理下检验分类 Accuracy，并考察加入噪声后差异是否仍然存在；这仅是迁移假设，不是本文已验证结果。

    阅读价值：值得阅读其如何利用周期或准周期运动的时空结构构建连续潜在动力学，并将运动参数化用于未见目标的在线跟踪；具体泛化效果与安全回退机制仍需全文核对。

  9. OpenReview · Representation learning76

    NfgTransformer：标准式博弈的等变表示学习

    基于摘要分析。本文研究标准式博弈（Normal-form games，NFGs）的神经网络表示，核心问题是：策略重新编号不改变博弈本身，但模型应随策略置换相应变换其表示或输出。作者提出利用这一等变性的 NfgTransformer，以统一的 NFG 表示支持多种博弈论任务。 机制与贡献：摘要将策略置换等变性作为架构的归纳偏置，而非将策略排列视为具有固定语义的输入顺序。这一区分关注等变性而非单纯的不变性：博弈意义保持一致，策略相关表示仍需与重新编号对应。具体输入编码、注意力结构、等变性实现方式、损失函数与训练流程尚未验证。 结果与证据：作者报告，该方法在均衡求解、偏离收益估计（deviation gain estimation）与排序等任务中达到最先进性能，并称模型具有可解释性和多用途性。摘要未提供数据来源、博弈规模、训练与测试划分、对照基线、指标或具体数值，因此这些性能主张的适用范围，以及实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可借鉴之处是依据任务的真实对称性设计表示，但策略重新编号的等价性不能直接推广为 EEG 通道任意置换的等价性，因为通道通常具有电极位置和生理意义。是否能迁移到 EEG/BCI，需先确认对应的数据结构与对称性假设；现有材料不足以支持具体迁移方案或效果判断，相关 EEG 工作尚未检索确认。复现首先需要核对全文中的博弈生成或采样方式、监督信号、评估协议及实现可获得性。

    阅读价值：值得阅读其如何将策略置换等变性纳入统一的博弈表示，并核对该归纳偏置在均衡求解、偏离收益估计与排序任务中的实际贡献；摘要中的性能与可解释性主张尚需全文验证。

  10. OpenReview · Representation learning76

    基于随机数据投影器的自监督表征学习

    基于摘要分析。该研究针对自监督表征学习（SSRL）对人工设计的数据增强及变换不变性假设的依赖，提出通过重构随机数据投影来学习表征的方法，不依赖数据增强或掩码。作者认为，这一路径可减少不同模态及应用特定增强约束带来的适配困难。 核心机制是以随机数据投影的重构作为学习任务，而非借助增强视图或掩码建模获得监督信号。摘要未说明投影的构造与分布、重构目标的具体定义、损失形式，以及编码器和重构模块的配置，因此尚不能判断哪些随机投影能够保留任务相关信息，也不能将其等同于某种已知的对比学习或降维方法。 作者报告，在覆盖多种模态与实际应用的表征学习任务中，该方法优于多个先进 SSRL 基线；但摘要未提供任务名称、数据集、数据划分、指标或具体数值。“适用于任意数据模态和网络架构”是作者提出的广泛适用性主张，其实际边界仍需结合全文核对。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若随机投影重构能保留 EEG 中的任务相关时空结构，它可能为难以设计可靠增强的小数据表征学习提供替代路径。可考虑复用重构学习思路，但需适配多通道时序输入、通道布局和尺度归一化。低信噪比可能使重构任务偏向噪声或伪迹，跨被试差异与通道变化也可能削弱表征稳定性。一个可检验的小实验是在固定 Cross-subject 划分、仅用训练被试进行自监督训练的前提下，以相同编码器和下游评估流程比较随机投影重构与增强式 SSRL，并检查投影设置变化对结果的影响。以上属于迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对随机数据投影重构如何在不依赖数据增强或掩码的条件下学习表征，以及其跨模态优势的评估边界；对 EEG 的适用性尚未验证。

1月3日周三
  1. OpenReview · EEG72

    从 EEG 脑记录中学习鲁棒的深度视觉表征

    基于摘要分析。该研究关注如何从 EEG 中学习可用于视觉图像分类与重建的鲁棒表征，提出两阶段方法：先提取 EEG 特征并学习深度表征，再将所学表征用于图像生成和分类。 在表征学习阶段，作者使用深度学习架构，结合监督学习与对比学习，在三个数据集上评估特征提取流程的泛化能力，并开展零样本 EEG 分类。摘要未给出具体网络结构、损失形式、三个数据集的完整名称及零样本类别划分，因此尚不能确定这些实验对应跨被试、跨会话还是跨数据集泛化。 作者报告，仅使用 EEG 的单模态学习能够获得被试不变、线性可分的视觉表征，其 k-means Accuracy 优于 EEG 与图像联合表征学习。该对照有助于考察图像模态是否必然改善 EEG 表征，但摘要未提供具体分数、被试划分、聚类评估方式及被试不变性的验证细节，结论仍需结合正文核对。 在生成阶段，作者提出将未见图像映射到 EEG 空间并进行近似重建的框架。作者报告，EEG 图像合成方法在 EEGCVPR40 和 Thoughtviz 上的 Inception Score 分别提升 62.9% 和 36.13%，并声称优于 GAN 相关的现有最佳表现；摘要未明确比较基线、数据划分与计算设置。这些数字是 Inception Score 的相对提升，而非分类 Accuracy 或百分点增益，也不能单独说明重建图像与原始刺激的一致性。 复现时应核对 EEG 预处理、视觉刺激与试次划分、监督及对比学习所用信息、零样本任务定义，以及生成阶段实际使用的输入。尤其需区分“将未见图像映射到 EEG 空间后重建”与“仅凭实测 EEG 重建未见刺激”两种评估情形。实验协议、消融及统计信息，以及代码和模型的可用性尚未验证。

    阅读价值：值得核对其仅用 EEG 学习视觉表征与 EEG—图像联合表征的对照，以及零样本分类和未见图像重建的评估协议，以判断作者所称被试不变性与泛化能力的适用范围。

1月1日周一
  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 · EEG79

    EEGPT：通过自回归预训练释放 EEG 通用基础模型的潜力

    EEGPT 针对 EEG 数据格式多样、预训练范式与迁移方法受限的问题，结合电极级建模、自回归预训练和多任务迁移，旨在构建可适配不同采集设备、被试与任务的通用 EEG 基础模型。基于摘要分析，未取得论文全文。 核心机制：作者将每个电极作为基本建模单元，以整合不同电极配置的 EEG 数据；摘要称预训练数据涉及最多 138 个电极，共计 37.5M 个预训练样本，但样本单位、切片方式及数据组成尚未验证。预训练采用 next signal prediction，而非传统 masked autoencoder，目标是捕捉 EEG 的序列与时间依赖；具体预测粒度、序列组织、损失函数与推理流程尚未验证。作者还探索了参数规模最高为 1.1B 的模型的 scaling laws，但摘要未提供规模与性能之间的定量关系。 迁移机制：作者提出跨任务共享的可学习电极图网络，用于多任务迁移学习，并报告任务间具有兼容性与协同作用。摘要称模型支持最多 138 个电极及其任意组合输入；电极身份编码、不同设备的输入对齐方式、缺失电极处理和任务特定模块仍需核对正文。 结果与证据边界：作者报告在覆盖 5 个不同任务的 12 个 benchmarks 上进行评估，并在全部下游任务中优于现有专用模型，同时称广泛消融支持其有效性。摘要未列出任务与数据集名称、被试数、被试内或跨被试等划分协议、基线、指标及数值，因此不能据此量化优势，也不能确认跨设备、跨被试适配的具体评估前提。实验协议、消融及统计信息尚未验证。 复现重点是核对异构数据整合规则、自回归目标与电极图迁移各自的贡献，以及预训练数据和下游评估的关系。摘要中的“首次”及“最大”等表述属于作者主张，尚未独立核实。作者表示将发布代码和模型，当前材料不能确认其已公开。

    阅读价值：值得核对其电极级建模、自回归预训练与共享电极图的多任务迁移如何协同处理异构 EEG，并复现作者报告的跨任务优势；具体划分、对照与统计证据尚未验证。

  3. OpenReview · EEG77

    利用 EEGformer 降低可穿戴癫痫发作检测的误报：面向 MCU 的紧凑 Transformer 模型

    基于摘要分析。研究针对可穿戴设备长期连续监测 EEG 时的癫痫发作自动检测问题，提出紧凑 Transformer 模型 EEGformer，仅使用颞区通道，并通过面向硬件的设计探索兼顾检测延迟、误报率及低功耗 MCU 部署需求。 技术机制：摘要将 Transformer 用于无需手工特征提取的端到端时间序列处理，核心贡献在于将少通道采集条件与端侧计算约束纳入模型设计。具体网络结构、输入窗口、损失函数、训练策略及硬件优化方法尚未验证，不能据摘要判断性能收益分别来自模型设计、预处理还是检测后处理。 检测结果：作者报告，在 CHB-MIT 数据集上，相较于面向颞区采集的现有最先进模型，发作起始检测延迟降低 20%，同时达到 73% 的癫痫发作检测概率和每小时 0.15 次误报（FP/h）。摘要未给出对照模型名称、绝对延迟、被试内或跨被试协议及数据划分，因此这些结果应限定于作者所用评估条件。作者另报告，在一个新的、具有挑战性的头皮 EEG 数据集上，检测到 88% 的标注发作事件，误报率为 0.45 FP/h；该数据集名称、被试规模和评估划分尚未验证，两组结果不能直接比较。 部署结果：作者在单核 Apollo4 MCU 以及并行 GAP8、GAP9 MCU 上评估部署，报告最节能的 GAP9 实现每次推理耗时 13.7 ms、能耗 0.31 mJ。作者据此认为模型可支持少通道、具有多日续航的可穿戴检测系统；但单次推理指标不等于整机续航实测，推理频率、采集与通信功耗及电池条件仍需核对。 复现重点是确认颞区通道配置、连续记录的训练与测试划分、发作事件匹配规则、误报统计时长，以及检测阈值对检出概率、误报率和延迟的影响。实验协议、消融及统计信息尚未验证，代码与部署资源的可用性也尚未确认。该研究属于 EEG 临床监测算法与端侧部署研究，摘要中的检测结果不应直接视为临床有效性验证。

    阅读价值：值得阅读的具体原因是，作者将颞区少通道 EEG 癫痫发作检测的误报率、检测延迟与 MCU 推理能耗联合评估，为可穿戴端侧模型的设计提供了可核对的参考，但数据划分和检测协议仍需全文验证。