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。

3,134 条精选近 30 天 820 条共收录 4,763 条

更新

精选归档 · 第 91 页

9月26日周四第 1801–1820 条
  1. OpenReview · EEG76

    以大型时空 Transformer 为基础模型学习鲁棒 EEG 表征

    基于摘要分析。研究针对 EEG 基础模型难以适应不同记录配置、BCI 控制范式及有限标注数据的问题，提出时空 EEG Transformer（ST-EEGFormer），通过自监督预训练与下游微调学习可迁移的 EEG 表征。其主要贡献是将不同通道配置和信号时长的建模，与跨 MI、P300、SSVEP 范式的适应性评估结合起来。 方法将原始 EEG 切分为片段（patches），投影到嵌入空间，并加入空间与时间嵌入。作者以掩码自编码器（MAE）任务进行自监督预训练，预训练数据由六个公开运动想象（MI）数据集、一个公开 P300 数据集和一个公开稳态视觉诱发电位（SSVEP）数据集组成。摘要未提供片段长度、空间位置编码方式、掩码策略、重建目标细节或模型规模，尚不能确认其处理不同通道配置的具体实现条件。 评估包括预训练所涉及八个数据集上的下游分类微调，以及两个未参与预训练的公开数据集：癫痫发作分类数据集和在线 MI BCI 数据集。对照模型包括简单线性模型、EEGNet、监督学习模型 EEG Conformer，以及基础模型 BIOT 和 Large Brain Model（LaBraM）。作者报告，预训练后的 ST-EEGFormer 在八个预训练数据集的下游分类中均取得高于所比较模型的 Accuracy，并在新数据集、有限训练数据条件下表现出较强泛化能力；摘要未给出具体数值或有限数据的规模。 这些结果支持进一步核查统一时空表征与 MAE 预训练的适应性，但不能直接解释为已验证的跨被试、跨会话或无需微调的泛化。数据集名称、被试数、训练与测试划分、预训练与评估样本的关系、各基线微调预算、消融及统计信息尚未验证。作者还提供模型及支撑结果的特征可视化，其解释性结论需结合正文审阅；代码、权重与完整复现条件尚未验证。

    阅读价值：值得阅读其跨 MI、P300 与 SSVEP 范式的统一预训练设计，以及在未参与预训练的数据集上检验有限训练数据条件下泛化能力的实验；作者报告的优势仍需结合具体划分、微调预算与统计结果核对。

  2. OpenReview · EEG75

    Beatrix：通过不变对比微调实现大型 EEG 模型的分布外泛化

    基于摘要分析。该研究针对生理状态、个体差异及实验设置变化导致的 EEG 分布外（OoD）泛化困难，提出谱域 EEG 基础模型 Beatrix，并通过 Contrastive Invariant Fine-Tuning（CIFT，不变对比微调）增强域不变表征学习。 核心机制包括：使用基于解析小波的谱分词表示 EEG 的非平稳动态；在预训练阶段采用半因果生成式建模，学习支持时间域与频率域插值和外推的潜在表征；通过多视图 Transformer 整合谱域、时域及跨通道信息。微调阶段的 CIFT 不依赖显式环境标签，作者将其描述为参数高效的域不变学习方法。摘要未披露具体对比目标、样本配对方式、半因果约束及可训练参数范围，这些实现细节尚未验证。 作者报告，Beatrix 在癫痫发作检测与预测、听觉神经解码、运动想象及睡眠分期等任务中优于现有 EEG 模型，并声称取得领先的 OoD 泛化表现、降低微调成本。但摘要未提供数据集、被试规模、分布外测试的构造方式、数据划分、对照基线、指标或具体数值，因此尚不能判断这些结果对应跨被试、跨会话还是跨数据集泛化，也不能量化其性能与成本收益。 复现时需要核对谱分词和多视图输入的实现、预训练与下游测试数据的关系、CIFT 的损失与训练配置，以及各任务的 OoD 评估协议。尤其需要结合消融结果区分谱表示、生成式预训练和不变微调各自的贡献。实验协议、消融及统计信息尚未验证；目前的摘要支持理解其方法方向，不足以确认作者报告的优势能否迁移至具体 BCI 使用场景。

    阅读价值：值得阅读的具体原因是 Beatrix 将解析小波谱分词、半因果生成式预训练与无需显式环境标签的 CIFT 相结合，针对 EEG 分布外泛化提出可核对的方法路径，但其性能优势与参数效率尚需全文实验验证。

  3. OpenReview · Representation learning77

    以组合偏置统一解耦表征学习

    基于摘要分析。本文研究图像中的解耦表征学习：针对属性或对象设计的归纳偏置往往难以兼容其他变化因素，作者因此提出以潜变量组合性为共同目标、同时支持属性解耦与对象解耦的统一框架。 核心机制是随机混合来自不同图像的两个潜表示，并最大化所得组合图像的似然。框架通过调整潜表示的混合策略，分别捕获属性或对象因素；作者分析两类因素的组合结构，并将这些结构纳入相应策略。其统一性体现为共享组合性目标，而非取消针对不同因素的结构假设。摘要未交代组合图像的构造方式、混合算子、模型架构及完整训练目标，这些细节尚未验证。 作者报告，在属性解耦的 DCI、FactorVAE scores 评估中，方法优于或接近包括 DisDiff 在内的先进基线；在对象解耦的对象属性预测任务中，方法优于或接近 LSD、L2C。摘要未提供具体数值、数据集与划分，不能据此判断优势幅度或不同设置下的稳定性；实验协议、消融及统计信息尚未验证。复现时需核对两类混合策略的定义、组合样本监督来源，以及各基线的训练与评估条件。 平台推测（待验证）：若 EEG 中任务相关活动与被试、会话等变化因素具有可组合结构，潜表示混合可能成为分离这些因素的一种归纳偏置。可复用的是组合性目标及因素特定的混合思路；需改造的是 EEG 编码、时序与通道结构约束，以及组合信号的构造或监督方式。原方法依赖图像因素的组合结构，其监督需求与数据规模尚未验证；EEG 的低信噪比、因素耦合、跨被试差异、通道不一致及小数据可能使混合表示失去生理合理性。一个可检验的小实验是在固定划分的多被试 EEG 数据上，对比无混合与受约束潜表示混合，检验任务信息保留和跨被试泛化是否同时改善。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其以潜变量组合性统一属性与对象解耦的机制，以及不同混合策略如何承载归纳偏置；摘要中的对照结果仍需结合完整实验协议核对，EEG/BCI 适用性尚未验证。

  4. OpenReview · State space models72

    CMamba：用于多变量时间序列预测的通道相关性增强状态空间模型

    基于摘要分析。本文研究多变量时间序列预测，针对原始 Mamba 对跨通道依赖处理不足的问题提出 CMamba，将时间依赖建模、跨通道相关性建模与缓解过拟合的机制结合起来；研究对象并非 EEG 或 BCI。 核心机制包括：改进的 Mamba 模块 M-Mamba，用于时间依赖建模；全局数据依赖 MLP，即 GDD-MLP，用于捕获跨通道依赖；以及用于缓解过拟合的 Channel Mixup。作者将普通 MLP 在相关预测任务中的性能下降归因于缺乏数据依赖性与全局感受野，并以此解释其泛化能力不足。该解释属于作者提出的机制判断，摘要未提供足够的消融证据供独立核对，也未披露各模块的具体结构、损失函数或混合方式。 作者报告，在七个真实世界数据集上的实验显示 CMamba 能改善预测性能。摘要未给出数据集名称、预测长度、数据划分、对照基线、指标及具体数值，因此不能量化收益或判断不同协议下的优势；实验协议、消融及统计信息尚未验证。复现还需核对实现细节、训练配置及代码可用性。 平台推测（待验证）：其“时间依赖与数据依赖的跨通道建模相结合”的思路，可能用于 EEG 多通道信号预测，但不等于能提升 BCI 解码。迁移依赖同步多通道序列及预测目标，可考察复用 M-Mamba 与 GDD-MLP，并需改造通道布局处理和 Channel Mixup，以避免破坏电极空间关系。低信噪比、伪迹、跨被试差异、通道缺失及小样本可能使模型学到不稳定相关性。一个可检验的小实验是在固定 EEG 通道配置和相同数据划分下，对比原始 Mamba、加入 GDD-MLP、再加入 Channel Mixup 的多步预测表现，并分别报告被试内与跨被试误差；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 CMamba 如何通过数据依赖的跨通道建模与 Channel Mixup 改善多变量预测，但摘要尚不足以验证其相对基线的收益或 EEG 适用性。

  5. OpenReview · Representation learning71

    通过等变表征进行对比学习

    基于摘要分析。本文研究自然图像的对比学习，针对不变对比学习（Invariant Contrastive Learning，ICL）未在潜在空间中表征畸变或数据增强相关信息的问题，提出 CLeVER（Contrastive Learning Via Equivariant Representation），旨在利用等变信息改善训练效率与下游任务鲁棒性。 核心思路是不仅学习对增强保持不变的表征，也提取并利用与增强变化相关的等变信息。作者称，该框架可兼容任意复杂度的增强策略及多种主流对比学习骨干模型。摘要未提供等变信息的编码方式、损失形式、训练流程，以及不变表征与等变表征如何结合，具体实现尚未验证。 在自然图像实验中，作者报告 CLeVER 提升了基线模型的训练效率和下游任务鲁棒性，并达到 SOTA；作者还报告，所提取的等变信息可在实验任务中同时增强旋转不变性与旋转敏感性，并改善复杂增强下的稳定性，尤其适用于小规模骨干模型。摘要未说明上述性质分别对应哪些任务或评估条件，也未给出数据集、划分、基线、指标及数值，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可供 EEG 自监督学习参考的机制，是区分需要忽略的增强扰动与需要保留的变化信息，而非直接复用自然图像旋转增强。迁移假设依赖于 EEG 增强具有可记录、可解释且不破坏任务语义的变换信息；可考虑复用等变信息学习思路，但需改造信号编码器、增强方式及变换目标。低信噪比、跨被试差异、通道布局变化和小数据条件可能使模型学习到伪迹或个体特征。一个可检验的小实验是在固定 Cross-subject 划分、骨干与训练预算下，对比普通不变对比学习和加入等变信息学习的实现，同时检查任务性能与变换信息可解码性。该实验须待全文明确机制后设计，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 CLeVER 如何保留增强相关的等变信息，以及其在复杂增强和小规模骨干模型下的效率与鲁棒性收益；摘要尚不足以判断这些收益能否迁移至 EEG。

  6. OpenReview · Representation learning76

    将自监督学习理解为监督学习的近似

    基于摘要分析。本文针对自监督表征学习主要依靠经验组合技术、缺乏统一理论解释的问题，将自监督学习形式化为监督学习的近似，并从该问题推导出与现有对比损失密切相关的损失，为理解这些损失提供理论基础。 核心机制：推导自然引入 prototype representation bias（原型表征偏差）与 balanced contrastive loss（平衡对比损失）两个概念。作者重点讨论框架各组成部分与 SimCLR 实践的对应关系，并研究正样本对之间的吸引力与负样本对之间的排斥力如何平衡。摘要未给出近似成立的具体假设、损失公式及平衡方式，因此尚不能判断理论适用边界或与既有损失的精确差异。 证据与复现：作者称定理证明位于附录，复现实验结果的代码位于补充材料；当前未取得全文或核验这些材料。摘要未提供数据集、划分、对照基线和量化结果，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设该理论中的正负样本关系能够对应 EEG 的任务相关语义，吸引力与排斥力的平衡可能有助于分析 EEG 对比学习中增强视图不一致、潜在同类样本被当作负样本的问题。可复用的是损失分析与平衡思路，需改造的是 EEG 增强方式及样本配对规则；其所需监督信息、数据规模与理论假设仍须核对全文。低信噪比、被试差异、通道配置变化和小数据条件可能使配对主要反映噪声或被试身份，而非任务信息。一个可检验的小实验是在固定编码器、增强和数据划分的条件下，对比原始 SimCLR 损失与论文的平衡方案，分别评估被试内与跨被试表征效果；具体实现须以全文为准。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其从监督学习近似推导对比损失的理论路径，尤其是原型表征偏差与正负样本作用力平衡的解释；这些解释能否指导 EEG 自监督学习尚未验证。

  7. OpenReview · State space models73

    DyGMamba：利用状态空间模型高效建模连续时间动态图的长期时间依赖

    DyGMamba 面向连续时间动态图（CTDG）的表示学习，尝试同时解决长节点交互历史的计算开销与关键时间信息筛选问题，核心贡献是将 Mamba 状态空间模型（SSM）用于节点历史编码和时间模式驱动的信息选择。以下基于摘要分析，未取得论文全文。 机制上，节点级 SSM 首先编码历史节点交互序列；时间级 SSM 随后提取历史图中的时间模式，其输出用于动态选择交互历史中的关键信息。摘要描述的设计重点不只是扩大历史窗口，而是让时间模式参与信息筛选。具体输入表示、两个 SSM 的连接方式、选择操作、损失函数及训练流程尚未验证。 作者在动态链接预测任务上进行评估，并报告 DyGMamba 在多数情形下达到当时最优表现，同时保持较高的计算资源效率，使有限计算预算下的长时间依赖建模成为可能。摘要未提供数据集、划分协议、基线、指标数值或资源测量口径，因此不能量化其性能与效率优势；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 通道或脑区表示为节点、将带时间戳的连接变化表示为交互，该机制可能用于筛选长时程连接历史中的任务相关信息。此迁移假设依赖于 EEG 能否形成有意义的交互事件，而不是直接将原始波形视为动态图。可复用部分是历史序列编码和时间模式驱动的选择模块；需改造的是节点定义、连接估计、事件构造与任务输出。低信噪比可能产生伪交互，跨被试及通道差异可能破坏事件语义，小数据也可能使选择机制过拟合。一个可证伪的小实验是在固定 EEG 数据与跨被试划分下，以相同连接构造和历史窗口比较完整机制与不使用时间级选择的对照，同时记录任务指标及资源开销。上述仅为迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其利用节点级与时间级 SSM 编码长交互历史并动态选择关键信息的机制，但动态图预测收益及其向 EEG 时变连接建模迁移的有效性仍需核对实验与验证。

  8. OpenReview · State space models76

    面向语义对应的相关图选择性状态空间建模

    基于摘要分析。该研究面向计算机视觉中的图像间语义对应任务，提出 MambaMatcher，通过选择性状态空间模型（SSMs）建模高维相关性，旨在缓解传统特征度量方法对图像间复杂关系建模不足，以及相关性度量方法处理 4D 相关图时计算成本较高的问题。 核心机制是将多层级相关性分数作为状态，并采用由 Mamba 线性复杂度算法改造的 similarity-aware selective scan，对 4D 相关张量进行细化。作者称，该方法无需牺牲特征图分辨率或感受野即可建模丰富的图像间关系。摘要未给出扫描顺序、选择机制的参数化方式、损失函数或训练细节，因此不能进一步确认其具体实现与整体复杂度。 作者报告，在标准语义对应基准上，MambaMatcher 达到最先进性能，且不依赖大尺寸输入图像或计算昂贵的扩散式特征提取器。摘要未列出基准名称、指标、数值、数据划分与对照设置；性能优势及计算效率仍需结合正文中的实验协议、消融、统计信息和运行成本核对，相关信息尚未验证。 平台推测（待验证）：可探索的迁移路径不是直接将该方法视为 BCI 解码器，而是借鉴其对成对特征相关张量的高效建模，用于 EEG 试次或模板之间的时空对应。原方法依赖图像位置间的相关性结构；若迁移到 EEG，需要重新定义时间—通道特征、相关张量和扫描次序，并核对原方法的监督要求。可复用的候选模块是相关张量细化机制，视觉特征提取与语义对应目标则需改造。EEG 的低信噪比、跨被试差异、通道布局变化及小数据条件可能使相关性选择不稳定。 一个可检验的小实验是在固定 EEG 特征和相同数据划分下，对比未细化相关张量与选择性状态空间细化后的试次—模板对齐表现，同时记录运行时间和显存占用，检验是否存在准确性与成本的共同收益。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：值得关注其利用选择性状态空间模型细化高维相关张量的机制，但计算效率与性能优势目前仅有摘要层面的作者陈述，尚不能据此认定其对 EEG 对齐有效。

  9. OpenReview · State space models81

    Hydra：通过广义矩阵混合器构建双向状态空间模型

    基于摘要分析。本文研究通用序列模型中的序列混合机制，提出统一的 matrix mixer（矩阵混合器）视角，并据此构建 Mamba 的双向扩展 Hydra；主要研究对象是通用序列建模及语言、视觉非因果任务，而非 EEG 或 BCI。 技术机制：作者将序列混合器概念化为作用于输入序列的线性映射，以结构化矩阵类别的性质分析效率与表达能力。该框架覆盖 Transformer 的 self-attention 与结构化状态空间模型（SSMs）。作者提出名为 sequence alignment 的矩阵参数化维度，认为它能够提高矩阵混合器的灵活性与性能；摘要未给出其具体定义与实现。Hydra 被参数化为 quasiseparable matrix mixer，是这一框架下构建的双向、次二次复杂度序列模型，可作为注意力层的替换组件。具体计算过程、训练目标与复杂度适用条件尚未验证。 结果：在摘要所述非因果任务中，作者报告 Hydra 在 GLUE benchmark 上比 BERT 高 0.8 分，在 ImageNet 上比 ViT 高“2% Top-1 accuracy”。摘要未明确后者是相对提升还是百分点差异，也未披露模型规模、训练预算及完整评估协议，因此不能扩展解释或据此判断公平对照。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设双向结构化序列混合能够利用完整 EEG 窗口中的前后文，它可能适用于离线分类或表征学习；但原领域有效不等于 BCI 有效，已有 EEG 相关工作尚未检索确认。可复用模块是序列混合器，需改造 EEG 输入编码、通道组织及任务输出。其依赖有序序列与完整窗口上下文，低信噪比、跨被试差异、通道变化和小数据可能削弱收益；双向访问也不直接适用于严格因果的在线解码。 一个可检验的小实验是在固定 EEG 数据划分、输入窗口、训练预算及近似模型规模下，仅替换序列混合器，对比 Hydra、单向 Mamba 与 self-attention，并在同一跨被试协议下报告任务指标、运行时间和显存占用，以检验双向混合是否带来稳定收益。该实验是平台建议，不是原论文结果。

    阅读价值：值得阅读的是以矩阵结构统一分析序列混合器，并据此构造非因果双向 Hydra；其能否改善离线 EEG 序列建模仍需独立验证。

  10. OpenReview · Representation learning77

    标签特定表示学习的泛化分析

    基于摘要分析。本文研究多标签学习中的标签特定表示学习（Label-Specific Representation Learning，LSRL）：为每个类别标签构建具有相应判别性质的表示，并分析这类表示的泛化能力。核心贡献是提出新的向量收缩不等式，据此推导一般 LSRL 函数类及典型 LSRL 方法的泛化界。 理论机制方面，作者指出，现有多标签学习理论界保留了不同组成部分之间的耦合，因而不适用于 LSRL。作者报告，新推导的泛化界相较已有先进理论结果，对标签数量的依赖更弱；针对典型方法的推导还揭示了不同标签特定表示对泛化分析的影响。作者认为，这些不依赖强假设的界能够解释 LSRL 的良好泛化能力。摘要未给出不等式形式、复杂度度量、标签数量依赖的具体阶数或所分析方法名称，相关假设、证明及比较条件尚未验证；实验协议、消融及统计信息亦尚未验证。 平台推测（待验证）：该理论可能为具有多标签监督的 EEG 任务提供分析视角，尤其是共享表示与标签特定表示如何影响小样本泛化的问题，但原论文研究对象是一般多标签学习，并未提供 EEG 或 BCI 有效性证据。可考虑复用标签特定表示的建模思路，需根据 EEG 的通道结构、标签语义及跨被试差异改造表示模块；低信噪比、小样本及标签间强相关性可能使标签特定表示难以稳定估计。一个可检验的小实验是在具备真实多标签标注的 EEG 数据上，以相同划分和近似模型容量比较共享表示与标签特定表示，分别观察被试内与跨被试的泛化差距；该实验仅检验迁移假设，不等同于验证理论界。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读之处在于作者以新的向量收缩不等式分析 LSRL 的泛化界，针对标签数量依赖及标签特定表示的影响提供理论解释，但具体假设与界的适用条件尚待全文核对。

  11. OpenReview · State space models79

    理解基础模型的差异：注意力、状态空间模型与循环神经网络

    该研究针对基础模型中注意力、State Space Models（SSMs）与 Recurrent Neural Networks（RNNs）之间共同原理和差异缺乏统一理论理解的问题，提出 Dynamical Systems Framework（DSF），以共同表示比较这些架构。基于摘要分析，未取得论文全文。 原论文的主要研究对象是通用序列建模架构，而非 EEG 或 BCI。其出发点是 softmax attention 随序列长度增长的二次复杂度可能限制长上下文推理吞吐量，而 linear attention、SSMs 和 RNNs 被考虑为更高效的替代方案。DSF 的贡献侧重理论框架：比较 linear attention 与 selective SSMs 的差异及两者等价的条件，并讨论 softmax attention 在何种理论条件下可被其他模型类别近似；这不意味着这些架构在一般情形下可以无条件互换。 作者报告通过实证验证与数学论证支持上述分析，但摘要未提供具体等价条件、近似误差、模型配置、数据集、评估协议或性能数值，因此尚不能判断理论关系在实际任务中的适用范围，也不能确认吞吐量与任务性能之间的权衡。实验协议、消融及统计信息尚未验证；复现需取得全文中的形式化定义、证明条件和实验配置。 平台推测（待验证）：若 EEG 长时序任务的计算瓶颈主要来自序列长度，DSF 可能帮助分析注意力与递归状态表示的取舍。可复用的是架构比较框架，需改造的是多通道 EEG 输入表示、任务监督与状态更新设计；其成立条件对数据结构、监督方式和训练规模的依赖需核对全文。低信噪比、通道差异、跨被试分布变化及小数据训练可能使原领域的理论关系无法转化为稳定收益。一个可检验的小实验是在固定 EEG 数据划分、输入表示和训练预算下，对照 linear attention 与 selective SSMs，检验全文给定条件成立时输出是否一致，并记录任务指标、推理耗时与内存随序列长度的变化。该实验仅是假设检验建议，不代表已有 EEG 效果；相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读的是 DSF 对 linear attention、selective SSMs 与 RNNs 的统一表述及等价条件分析，可为长序列架构选型提供理论参照，但具体条件、效率收益与 EEG 适用性尚未验证。

  12. OpenReview · State space models81

    用于潜空间闭式模型控制的输入到状态稳定耦合振荡器网络

    基于摘要分析。本文研究物理系统的潜空间控制：如何在学习得到的低维动力学中保留可用于经典控制的结构与稳定性。作者提出 Coupled Oscillator Network（CON），结合能量结构、输入到状态稳定性与近似输入逆映射，使势能整形等控制策略能够用于学习后的潜空间。 核心机制：作者指出既有潜空间模型存在三个障碍：缺乏物理系统的数学结构、不能内在保持真实系统的稳定性，以及输入与潜空间驱动力之间缺乏可逆映射。作者报告，CON 可解析表述为具有明确势能与动能项的拉格朗日系统，并通过 Lyapunov 论证给出全局输入到状态稳定性的形式证明；证明所需假设与适用范围尚需全文核对。为提高动力学积分与训练效率，方法还采用近似闭式解。对于驱动力到输入的映射，作者训练解码器，根据编码后的潜空间力重建输入；这属于近似逆映射，不能据摘要视为精确可逆性保证。 实验方面，作者报告 CON 在直接从图像学习复杂机械系统非线性动力学时达到 SoA 表现，并将带积分饱和与势力补偿的 PID 用于潜空间控制，在软体机器人上仅以原始像素作为反馈取得高质量表现。摘要未提供具体数据集、划分、基线、误差指标或控制性能数值；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）：原论文主要对象是机械系统及软体机器人，而非 EEG 表征或 BCI 解码。其结构化动力学与稳定控制机制，可能适用于 BCI 控制外部执行器的环节，而非直接证明脑信号满足拉格朗日动力学。可复用的是 CON 动力学及控制模块，需改造的是状态观测、EEG 指令到控制输入的接口及延迟处理。低信噪比、跨被试差异、通道变化和小数据可能使输入估计与近似逆映射失准；原模型的稳定性证明不能自动覆盖这些误差。一个可检验的小实验是固定 EEG 解码器和模拟执行器任务，比较带与不带势力补偿的 PID，在相同扰动与延迟条件下测量跟踪误差和控制输入幅度。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是 CON 将具有能量结构的学习动力学、输入到状态稳定性证明与近似输入逆映射结合，用于潜空间闭环控制；其对 EEG/BCI 的适用性尚未验证。

  13. OpenReview · Representation learning76

    对抗鲁棒多任务表征学习

    基于摘要分析。本文研究对抗鲁棒迁移学习：利用多个源任务的有标签数据学习表征，使模型在此前未见的目标任务上获得较小的鲁棒误差。核心贡献是在多任务表征学习（MTRL）框架下，为 Lipschitz 损失及光滑非负损失建立超额对抗迁移风险的收敛速率，并给出单任务情形的新速率结果。 方法的关键假设是源任务与目标任务共享一种表征，且各任务可在该表征之上使用简单的线性预测器；深度神经网络的最终隐藏层仅作为共享表征的示例，摘要未指定具体网络结构。作者报告，理论速率表明，在多样化任务上进行对抗训练来学习表征，有助于在数据稀缺条件下防御推理阶段的攻击。该结论属于理论分析，摘要未提供风险界的具体表达式、攻击集合、样本复杂度或数值实验结果，不能据此推断实际性能提升幅度。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若不同 EEG 被试或会话确实共享可由线性预测器读取的任务表征，该机制可能用于探索小样本目标域中的鲁棒迁移。可复用的是多任务共享表征与对抗训练思路；需改造的是任务定义、EEG 编码器及符合信号物理约束的扰动集合。低信噪比、被试差异和通道配置不一致可能破坏共享表征假设，源任务多样性也不必然带来正迁移。 一个可检验的小实验是固定 EEG 任务与通道配置，将训练被试作为源任务、独立被试作为目标任务，在相同目标标注预算下比较普通多任务训练与对抗多任务训练，并分别评估干净输入和预先定义扰动下的表现；划分须隔离被试并避免试次交叉。这只是迁移假设的验证方案，不是论文已完成的 EEG 实验；相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其多任务共享表征下的超额对抗迁移风险界，以核对任务多样性与目标任务数据稀缺条件如何影响鲁棒迁移；其对 EEG 的适用性尚未验证。

  14. OpenReview · State space models80

    eXponential FAmily Dynamical Systems（XFADS）：大规模非线性高斯状态空间建模

    基于摘要分析。XFADS 研究如何在大规模非线性高斯状态空间模型中兼顾推断效率、变分后验灵活性与动力学表达能力，提出低秩结构化变分自编码框架，用于学习能够解释时空结构并进行预测的生成模型。 核心机制是利用基于采样的近似高斯消息传递所产生的协方差结构，结合低秩摊销后验更新，实现近似变分平滑。该框架旨在捕捉对动力学预测重要的稠密协方差，而不是仅以简化后验换取可扩展性。作者报告，其推断时间复杂度随状态维度线性增长；这一表述针对状态维度，不能直接推断为对序列长度、采样数量或全部训练成本均线性。 作者报告，在与其他深度状态空间模型架构的比较中，XFADS 能学习预测能力更强的生成模型；在神经生理记录上，可利用单次试验的一小部分预测神经群体放电及行为相关量。摘要未提供记录模态、数据集、被试或动物数量、数据划分、具体基线与指标，因此不能量化优势，也不能将该结果等同于 EEG 解码或 BCI 有效性。实验协议、消融及统计信息尚未验证；复现还需核对低秩设置、采样配置、观测模型与实现条件。 平台推测（待验证）：若 EEG 中存在可由低维潜在动力学描述的跨通道时序依赖，该协方差建模与平滑机制可能有助于潜在状态估计。可复用部分是状态空间推断及低秩后验更新，需改造部分是适配 EEG 的观测模型、噪声假设与任务读出。低信噪比、伪迹、跨被试分布变化、通道配置差异及小数据可能削弱收益。一个可检验的小实验是在固定被试内划分与相同潜在维度下，对照低秩结构后验和简化协方差后验，比较留出时段预测误差与推断耗时；平滑可访问的数据范围必须与预测任务保持一致。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其低秩后验更新如何兼顾稠密协方差表达与随状态维度线性增长的推断复杂度，以及这种结构是否支撑神经群体活动预测；摘要中的性能结论尚需全文实验验证。

  15. OpenReview · State space models82

    状态空间模型的表达能力：形式语言视角

    基于摘要分析。本文研究用于语言建模的线性状态空间模型（SSMs）的理论表达能力，将其与 transformers 和传统 RNN 比较，旨在为语言模型架构设计提供能力边界层面的依据，而非提出 EEG 或 BCI 方法。 作者报告，SSMs 与 transformers 的优势相互重叠但并不相同：在 star-free（无星）状态跟踪问题中，SSMs 能构造直接且精确的解，而 transformers 难以精确表示这些解；SSMs 还可在不模拟栈的情况下，以最优记忆量表示有界层级结构。这些结论针对特定形式语言问题，不能直接等同于实际语言建模性能优势。作者同时指出，当前 SSMs 的某项设计选择限制了表达能力，但摘要未说明该选择及相应理论条件。 作者报告在 Mamba 上进行了经验验证；具体任务、数据生成方式、模型配置、对照设置及结果指标尚未验证。定理适用的计算与记忆假设、实验协议、消融及统计信息也需结合全文核对。 平台推测（待验证）：若 EEG 解码任务确实依赖有限状态转移或有界层级时序结构，本文的理论视角可能帮助分析时序模型能否保留必要的历史信息；这是假设，不是已证实的 EEG/BCI 效果。形式符号序列与连续、低信噪比 EEG 的对应关系尚未建立，跨被试差异、通道变化及小数据条件也可能使理论能力无法转化为解码收益。现有材料不足以确定可复用的具体模块或设计可靠的迁移实验，已有 EEG 相关工作尚未检索确认。

    阅读价值：该研究以形式语言理论比较 SSM、transformers 与传统 RNN 的表达能力，值得用于辨析状态跟踪和有界层级结构的架构能力边界，但其对 EEG/BCI 的适用性尚未验证。

  16. OpenReview · State space models76

    深度状态空间模型的对抗鲁棒性探索

    基于摘要分析。本文研究深度状态空间模型（SSMs）能否从对抗训练（AT）中获得鲁棒性提升，以及不同结构组件如何影响这一过程。作者结合经验与理论分析，考察对抗扰动下的输出误差，并提出 Adaptive Scaling（AdS）机制，旨在改善鲁棒性与泛化之间的权衡。 核心机制：作者报告，纯 SSM 结构难以充分受益于 AT；相较于其他组件，引入 Attention 能带来更好的鲁棒性与泛化权衡，但也会引入 Robust Overfitting（RO，鲁棒过拟合）。其分析指出，固定参数化 SSM 的输出误差界与模型参数严格相关，限制了 AT 的收益；输入依赖型 SSM 则可能出现误差爆炸。作者认为，Attention 能在训练过程中有效缩放 SSM 的输出误差，但其较高模型复杂度也带来 RO 风险。AdS 据此采用自适应缩放思路，但具体公式、插入位置及训练实现尚未验证。 结果与证据边界：作者报告，AdS 的 AT 表现接近融合 Attention 的 SSM，且未引入 RO。摘要没有提供任务、数据集、攻击方法与预算、评估指标或数值，因此不能量化提升，也不能判断结论在不同攻击与模型规模下是否成立。实验协议、消融及统计信息尚未验证；复现需核对误差界的假设、AT 配置、模型容量对照及 RO 的判定方式。 平台推测（待验证）：该机制可能对应 EEG 序列模型对输入扰动敏感的问题，但原研究并非 EEG/BCI 验证。可复用的是扰动误差分析与自适应缩放思路，需改造的是 EEG 输入表示、通道处理及具有生理意义的扰动约束。其效果可能依赖 SSM 参数化方式、监督任务与训练规模；低信噪比、跨被试差异、通道变化及小数据可能使缩放同时抑制任务相关信号。一个可证伪的小实验是在固定 Cross-subject 划分与相同扰动预算下，对照纯 SSM、融合 Attention 的 SSM 与加入 AdS 的 SSM，同时检查干净输入表现、对抗表现及训练后期的 RO。已有 EEG 相关工作尚未检索确认。

    阅读价值：该研究从扰动下的输出误差分析解释不同 SSM 结构的对抗训练表现，并提出 Adaptive Scaling 作为 Attention 的替代机制，值得核对其误差界条件、鲁棒过拟合评估及复现结果。

  17. OpenReview · State space models82

    结构化状态空间模型中复数参数化的可证明优势

    基于摘要分析。本文研究结构化状态空间模型（SSMs）为何使用复数而非实数参数，以对角 SSM 为主要对象，建立两种参数化在表示能力、所需状态维度和参数幅值上的理论差距。研究对象是通用时序建模模块，并非 EEG 或 BCI 模型。 作者报告，复数对角 SSM 只需适中的维度即可表达实数对角 SSM 的全部映射，而实数对角 SSM 表达复数模型的映射需要高得多的维度。作者进一步报告，即使实数模型的维度足够，表达给定映射通常仍需要指数级大的参数值，并据此指出实际学习困难；相比之下，复数模型可用适中的参数值表达相应映射。上述结论的映射范围、维度关系、指数增长所依赖的变量及证明假设，均需全文核对，不能直接推广到所有 SSM 或神经网络。 作者报告实验支持理论，并提示理论可能扩展至 selectivity；摘要并未表明已完成这一扩展，也不能将对角 SSM 的结论直接视为对 Mamba 的完整解释。实验任务、数据、对照配置、指标、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务需要表达振荡与长程时间依赖，复数状态参数化可能提供更紧凑的时序表示。这一假设依赖输入序列的时间结构及任务监督，可复用 SSM 状态更新模块，但需适配 EEG 通道输入、采样率和输出任务。低信噪比、跨被试差异、通道变化及小数据可能抵消表示优势。一个可检验的小实验是在固定 EEG 数据划分与训练预算下，对比实数和复数对角 SSM，并分别控制状态维度与参数量，检查任务性能、参数幅值和训练稳定性；这不是论文已验证的结果。已有 EEG 相关工作尚未检索确认。

    阅读价值：该研究从表示所需维度与参数幅值两个角度解释对角 SSM 的复数参数化优势，值得用于审视时序模型的参数化选择，但理论适用条件及其对 EEG 的价值尚未验证。

  18. OpenReview · State space models73

    打破确定性：使用离散状态空间扩散模型对序列推荐进行模糊建模

    基于摘要分析。本文研究序列推荐（Sequential Recommendation，SR）：根据用户历史行为序列预测其可能感兴趣的物品。作者从信息论视角讨论用户行为的随机性与不可预测性，提出 DDSR，以交互序列的模糊集合描述用户兴趣演化，而非仅采用确定性的序列表示。 核心机制是离散状态空间中的扩散转移过程。与在连续域运行的 DDPM 不同，DDSR 使用结构化转移处理离散数据；作者认为，这比任意引入噪声更适合保留交互信息。为缓解巨大离散空间带来的矩阵变换开销，方法使用量化或 RQ-VAE 产生的语义标签替代物品 ID，作者称其可提高效率并改善冷启动问题。摘要未说明模糊集合的具体构造、转移矩阵参数化、损失函数及训练和推理流程。这里的“状态空间”指离散扩散状态空间，不能据此推断其采用常见序列状态空间模型的架构。 作者报告，在三个公开基准数据集的多种设置下，DDSR 优于现有最先进方法；但摘要未给出数据集名称、划分方式、评价指标、具体数值及对照方法，因此无法判断增益大小或协议可比性。实验协议、消融及统计信息尚未验证；代码与复现配置亦尚未验证。 平台推测（待验证）：可迁移的假设是，结构化离散扩散可能适用于已被量化为语义 token 的 EEG 序列，以建模状态转移的不确定性，而非直接处理连续 EEG 波形。该路径依赖稳定的离散表示；扩散转移与语义编码思路可供参考，但量化器、状态定义及任务监督需重新设计。低信噪比、跨被试差异、通道变化和小数据可能使离散编码不稳定，或导致量化丢失判别信息。一个可证伪的小实验是在固定 EEG 任务与被试划分下，共用同一量化器，对比确定性 token 序列模型与结构化离散扩散模型，并核对量化信息损失及任务指标是否改善。原推荐结果不构成 BCI 有效性证据，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是 DDSR 如何通过离散状态空间中的结构化扩散转移建模序列不确定性，并用语义标签缓解大离散空间的计算负担；其优势目前仅有摘要层面的作者报告，EEG/BCI 适用性尚未验证。

  19. OpenReview · State space models81

    B'MOJO：兼具精确保留记忆与衰减记忆的基础模型混合状态空间实现

    基于摘要分析。本文研究通用序列模型如何在有限推理资源下支持转导推理，使记忆容量增长至有限但事先未知的上界。作者提出 B'MOJO，借助 Stochastic Realization Theory，在可组合模块中协调精确保留记忆（eidetic memory）与衰减记忆（fading memory），主要研究对象是序列架构、关联回忆及语言建模，而非 EEG 或 BCI。 机制上，作者将 Transformer 的有限上下文精确保留与 SSM 的跨长序列衰减状态统一描述，并区分四类记忆：上下文中的短期精确保留记忆、权重中的永久结构记忆、状态中的衰减记忆，以及存储中的长期精确保留记忆。后者通过原生接入异步更新记忆的检索实现。作者称 Transformer、Mamba 和 Jamba 均可视为 B'MOJO 的特例，并给出可堆叠、可高效硬件扩展的基础实现；具体状态更新、记忆调节与检索规则尚未验证。 作者报告，在关联回忆等转导推理任务中，B'MOJO 优于所比较的 SSM 与混合模型，但摘要未提供具体分数和基线配置。在普通语言建模评估中，模型规模最高达 1.4B 参数，与相近规模 Transformer 和 SSM 的困惑度相当，训练速度最高快 10%；硬件、吞吐量口径与训练配置尚未验证。作者还报告，在训练序列最长为 8K tokens 的条件下，模型在最长 32K tokens、即训练最大长度四倍的序列上取得更好的长序列推理表现；摘要未给出该结果的具体指标。数据集、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务同时依赖局部瞬态模式和长程上下文，这种混合记忆机制可能提供可检验的建模路径。可复用候选是记忆组合模块，需改造信号输入表示、位置或时间编码及检索单元，并配套 EEG 数据与任务监督；低信噪比可能使长期存储保留伪迹，跨被试差异、通道变化和小数据规模也可能削弱记忆的可用性。一个小规模实验是假设检验：固定 EEG 划分、参数规模和训练长度，对比 SSM 与混合记忆模型在更长测试片段上的任务表现，并加入伪迹扰动，检验收益是否稳定而非噪声累积。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其在同一模块内协调精确保留与衰减记忆、并接入异步检索的机制，以及受限训练长度下的长序列推理评估；这些机制能否改善 EEG 长时序建模尚未验证。

  20. OpenReview · EEG77

    EEG 数据预测偏移适应的测地线优化

    基于摘要分析。本文研究不同人群与 EEG 设备造成的输入 X 和生物医学目标 y 同时发生分布偏移的问题，提出 Geodesic Optimization for Predictive Shift Adaptation（GOPSA），用于源域具有不同 y 分布时的测试时多源域适应。主要研究对象是静息态 EEG 的跨站点年龄预测，而非 BCI 指令解码。 机制上，方法以 EEG 空间协方差矩阵为表示，利用其所在的对称正定（SPD）矩阵黎曼流形的测地线结构，联合学习域特异的重中心化算子与回归模型。摘要将该算子解释为站点特异的截距项，因而其阅读价值在于探索如何将站点差异建模与预测模型训练结合，而不只对输入表示进行单独对齐。具体优化目标、测地线参数化、训练与测试时可用信息，尤其目标域是否需要标签或目标分布统计，尚未验证。 作者报告，在 HarMNqEEG 多国静息态 EEG 数据集上进行了年龄预测的跨站点泛化评估，数据覆盖 14 个记录站点、超过 1500 名参与者。在若干源站点—目标站点组合中，相比摘要所称的现有先进方法，GOPSA 在 R²、MAE 和 Spearman’s ρ 三项回归指标上取得显著更好的表现。摘要未提供具体分数、基线名称、站点组合、数据划分及显著性检验细节，因此不能据此判断收益是否覆盖全部站点，也不能与其他评估协议直接比较；实验协议、消融及统计信息尚未验证。 作者认为该方法有潜力结合混合效应建模与机器学习的优势，用于多中心临床试验等 EEG 生物医学应用。这是应用潜力判断，不能视为已完成临床验证或已证实 BCI 解码收益。复现需进一步核对协方差估计与预处理、站点及年龄分布、目标域适应所需信息、优化设置，以及数据和实现的可获取性。

    阅读价值：值得阅读的具体原因是 GOPSA 将 SPD 流形上的域特异重中心化与回归联合学习，直接处理 EEG 多中心数据中输入与预测目标同时偏移的问题，但其测试时信息需求和跨站点评估协议仍需全文核对。