跳到正文

算法、任务与模态

提供代码链接 最新动态

提供代码链接 的可核对来源状态；不作为学术质量或开放许可证证明。

319 条精选近 30 天 69 条共收录 377 条

更新

精选归档 · 第 16 页

1月1日周日第 301–319 条
  1. OpenReview · Representation learning75

    通过时空自举进行相关时间序列的自监督表征学习

    基于摘要分析。本文研究具有实例间关联的大规模时间序列如何学习可供下游任务使用的表征，提出通过自举式时空表征预测，为各实例学习时间步级表征的自监督框架。原论文主要面向相关时间序列预测，以及将预测模型迁移到数据有限的新实例，并非 EEG 或 BCI 研究。 技术机制：框架以时空表征预测作为学习机制，摘要描述的评估方式是在所学表征之上训练线性回归模型。这有助于考察表征对预测任务的直接支持程度，但具体自举目标、实例间关联的构建方式、损失函数、训练与推理流程尚未验证，不能据此推定网络结构或教师更新机制。 结果：作者报告，在 PeMS-BAY 的相关时间序列预测评估中，相较表征学习模型，RMSE、MAE 和 MAPE 分别降低 37%、49% 和 48%；这些是误差的相对降幅，不是百分点变化。摘要未明确对应基线、预测时距及数据划分，不能推广为所有协议下的优势。作者还报告，在真实地铁客流数据的新实例冷启动预测中取得 15%、19% 和 18% 的收益，但摘要未明确这些数值的指标对应关系及计算方式。实验协议、消融及统计信息尚未验证。摘要给出代码计划发布的仓库地址，当前可用性及复现条件尚未核实。 平台推测（待验证）：假设 EEG 通道间相关性能够提供稳定的自监督信号，时间步级时空预测机制可能用于 EEG 表征预训练。可复用的是表征预测思路；需改造的是通道空间关系、采样尺度及冷启动实例定义，不能直接把新传感器迁移等同于跨被试迁移。低信噪比、伪迹诱导的相关性、跨被试差异、通道布局变化和小数据均可能使该假设失败。一个可检验的小实验是在固定 EEG 训练划分下，比较保留与打乱通道对应关系的预训练，再以相同线性评估协议检查表征收益是否依赖真实空间关系。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其时间步级时空自举表征能否支持数据有限的新实例预测，尤其需验证冷启动划分、实例间关联的利用方式及相对表征学习基线的收益。

  2. OpenReview · Representation learning72

    用于属性图聚类的邻域对比表示学习

    基于摘要分析。该研究针对属性图聚类中高维节点特征与复杂非欧几里得结构难以有效利用的问题，提出 NCAGC，通过联合学习面向聚类的节点表示与自表达系数矩阵，使表示学习与聚类相互改进。原论文研究对象是属性图，而非 EEG 或 BCI。 机制上，邻域对比模块约束相似节点的表示，以提高其在潜在空间中的紧致性；对比自表达模块学习具有判别性的自表达系数矩阵，为后续子空间聚类提供依据。两个模块联合训练与优化。作者将现有 GCL 方法对聚类友好表示及聚类导向损失考虑不足作为动机，但具体相似节点定义、图编码器、损失形式、联合优化方式及聚类流程尚未验证。 作者报告，在四个属性图数据集上与 16 种被作者称为 state-of-the-art 的方法进行比较；在 Cora 上，相对于次优方法，ACC、NMI、ARI 的提升分别为 2.1%、4.3%、3.7%。摘要未明确这些数值表示相对百分比还是百分点，也未提供对应绝对分数、数据划分及次优基线名称，因此不能据此进行跨协议比较。实验协议、消融及统计信息尚未验证。摘要提供了代码与数据的仓库地址，但实现内容及可复现程度尚未核验。 平台推测（待验证）：假设 EEG 通道可构成带有信号特征与连接关系的属性图，邻域紧致性约束与自表达模块可能用于无标签的通道或功能网络聚类。可复用的是两模块的联合优化思路，需改造的是 EEG 节点特征、连接图及相似邻域定义；低信噪比、体积传导、跨被试差异、通道配置变化和小数据可能导致错误邻域被强化。一个可检验的小实验是在固定 EEG 数据划分和图构建规则下，对比完整方法、仅邻域模块及仅自表达模块的聚类稳定性，并测试连接扰动后的退化程度。原领域结果不等于 BCI 有效性，已有 EEG 相关工作尚未检索确认。

    阅读价值：NCAGC 将邻域表示紧致性与用于子空间聚类的自表达系数学习联合优化，值得核对两模块的独立贡献；其对 EEG 图聚类的适用性尚未验证。

  3. OpenReview · Representation learning75

    通过时空自举实现相关时间序列的自监督表征学习

    基于摘要分析。本文研究大规模相关时间序列的表征学习，提出通过自举式时空表征预测，为各个实例学习时间步级表征的自监督框架。主要研究对象是相关时间序列预测，以及将预测模型迁移到数据有限的新实例的冷启动任务，并非 EEG 或 BCI。 机制与评估：框架利用时空表征预测学习表示，并在所得表征之上训练线性回归模型执行预测。摘要未说明时空相关性的具体编码方式、自举目标的构造、损失形式及训练与推理流程，这些机制细节尚未验证。 结果：在 PeMS-BAY 的相关时间序列预测评估中，作者报告，相较表征学习模型，RMSE、MAE 和 MAPE 分别降低 37%、49% 和 48%。在真实地铁客流数据的新实例冷启动预测中，作者报告三项增益为 15%、19% 和 18%，但摘要未明确这组三项数值各自对应的指标。具体基线、数据划分、预测时域、冷启动可用数据量、消融及统计信息尚未验证，不能据此作跨协议比较。摘要称代码将发布于所列 GitHub 仓库，当前发布状态与复现条件尚未核验。 平台推测（待验证）：可检验的迁移假设是，若 EEG 通道或被试之间存在可利用的时空相关结构，时间步级自监督表征预测可能帮助有限数据下的表征迁移。可考虑复用表征预测与下游线性评估思路，但需改造实例定义、通道关系和时间窗口，并避免把交通实例间的相关性直接等同于脑信号关系。低信噪比、跨被试非平稳性、通道配置变化及小数据可能削弱该假设。一个小规模检验是在固定 EEG 任务与独立被试划分下，比较时空预测表征与仅时间预测表征在相同少量标注条件下的下游表现，并核对跨被试适用性；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其时间步级时空自举表征如何支持有限数据下的新实例冷启动预测，但摘要尚不足以确认该机制对 EEG 跨被试或跨通道迁移的有效性。

  4. OpenReview · EEG74

    EEG Conformer：用于 EEG 解码与可视化的卷积 Transformer

    基于摘要分析。该研究针对 EEG 解码中 CNN 感受野有限、可能难以捕获长期依赖的问题，提出紧凑的 EEG Conformer，将局部特征提取与全局关联建模整合到统一的 EEG 分类框架，并提供脑地形图可视化策略。 核心机制是先通过一维时间卷积和空间卷积学习低层局部特征，再直接连接自注意力模块，提取局部时间特征之间的全局关联，最后使用基于全连接层的分类器预测 EEG 类别。其方法价值在于将卷积与自注意力作为互补模块，而非单独依赖局部卷积；具体网络深度、参数量、损失函数、训练配置与推理成本尚未验证。 可视化方面，作者将类激活映射投影到脑地形图，以增强分类结果的可解释性。摘要未提供该投影的具体计算流程或解释性验证结果，因此不能据此认定可视化已经揭示了可靠的神经生理机制。 作者报告，在涵盖 EEG 运动想象与情绪识别范式的三个公开数据集上，方法取得了当时的 state-of-the-art 性能，并提出其有潜力成为通用 EEG 解码的新基线。摘要未列出数据集名称、被试数量、数据划分、被试内或跨被试等评估协议、对照方法与具体指标，故目前无法核对性能提升的幅度或跨协议可比性；实验协议、消融及统计信息尚未验证。 作者说明代码已公开，可作为复现入口。复现时需结合全文与实现核对 EEG 预处理、输入窗口、卷积和注意力配置、训练策略及评估划分，并分别检验全局关联模块的增益与脑地形图可视化的稳定性。摘要尚不足以确定其跨被试、跨会话泛化能力。

    阅读价值：值得核对其局部卷积特征与全局自注意力的组合机制，以及类激活映射到脑地形图的可视化策略；摘要提供了公开代码入口，但性能优势及解释性仍需结合完整实验协议验证。

  5. 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。该研究面向上下文强化学习，改造 S4 的一个变体，使隐藏状态能够并行初始化与重置，以兼顾强化学习中的状态管理、长序列记忆和计算效率。主要研究对象是部分可观测环境与连续控制元学习任务，而非 EEG 或 BCI。 机制上，作者利用结构化状态空间序列模型的长程建模能力、快速推理与可并行训练特性，将隐藏状态的初始化和重置纳入并行处理。摘要未说明具体状态更新方程、改造方式、训练目标或上下文组织方式，这些实现细节尚未验证。 作者报告，改造后的架构在序列长度维度上的渐近运行效率优于 Transformers，并在一个简单的记忆任务上表现优于 RNN。在所评估的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；摘要未给出环境名称、性能指标、硬件、计时口径及匹配的模型规模，因此该速度结论不能直接外推到其他任务。元学习评估中，智能体面对随机采样的连续控制环境，且环境观测与动作经过随机采样的线性投影；作者报告模型在该任务上取得较强表现，并能适应分布外留出任务，但具体分数、划分方式与适应过程尚未验证。 平台推测（待验证）：若 EEG 任务需要保留长时间上下文，同时在试次或会话边界显式重置状态，该并行状态管理机制可能提供可复用思路。原研究依赖连续交互轨迹及强化学习训练信号，不能直接等同于 EEG 分类；可考虑复用序列骨干与重置机制，但输入编码、训练目标和边界定义需改造。低信噪比、通道差异、跨被试分布变化及小数据规模可能削弱长程记忆收益。一个可检验的小实验是在固定被试内 EEG 划分、相同输入与训练预算下，对比该状态空间实现与 RNN，随上下文长度变化测量任务指标、推理延迟及边界重置后的表现，不预设其优势。已有 EEG 相关工作尚未检索确认。 摘要提供代码仓库 s5rl。实验协议、消融及统计信息尚未验证，复现前需核对状态重置实现、环境配置、基线匹配和速度测量条件。

    阅读价值：值得核对其并行初始化与重置隐藏状态的实现，以及部分可观测强化学习中的速度—性能权衡；该机制对跨回合长序列建模有参考价值，但 EEG/BCI 适用性尚未验证。

  6. OpenReview · Representation learning74

    CoBERT：通过代码表征学习进行自监督语音表征学习

    基于摘要分析。该研究面向语音表征学习，提出 Code BERT（CoBERT）：将语音转为离散代码序列，再从原始语音的掩码视图预测代码表征，以构建自监督学习目标。其主要研究对象是语音，而非 EEG 或 BCI。 核心机制建立在语音可由有限语音单位及其离散代码表示的假设上。与教师和学生使用同一模态的既有自蒸馏方法不同，CoBERT 的预测目标来自另一种表征模态，即离散代码的表征，而输入仍是经过掩码处理的语音。摘要未明确代码生成方法、代码表征模型的训练方式、损失函数或掩码策略，这些技术细节尚未验证。 作者报告，CoBERT 在自动语音识别（ASR）任务上超过其所比较的近期最佳性能，并在 SUPERB speech translation（ST）任务上获得显著改善。摘要未提供 ASR 数据集、数据划分、对照模型、具体指标或数值，无法据此量化增益或判断不同协议下的可比性。作者声明已发布代码和模型；实现完整性、训练资源需求、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，以离散潜在代码表征代替原始波形重建目标，可能帮助 EEG 自监督学习减少对局部噪声的拟合。可复用的是“掩码连续信号输入—预测离散代码表征”的训练框架；需改造的是 EEG 分段、通道组织、代码生成及代码表征学习模块。关键风险在于 EEG 未必具有与语音单位对应的稳定有限代码结构，低信噪比、跨被试差异、通道变化和小数据规模可能使代码主要编码噪声或被试身份。 可检验的小实验是：在固定 EEG 数据划分、编码器和训练预算下，对比离散代码表征预测与连续信号重建的自监督目标，再用相同标注量进行 Cross-subject 运动想象分类评估，检验该目标是否改善跨被试表征。此建议不代表已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其以离散代码表征作为语音掩码建模预测目标的跨模态自监督机制，但性能优势及向 EEG 表征学习迁移的可行性仍需核对全文与实验。

  7. OpenReview · Representation learning76

    面向无偏推荐的判别性与不变性表征学习

    基于摘要分析。本文研究推荐系统中选择偏差导致用户偏好学习失真的问题，提出 Discriminative-Invariant Representation Learning 框架，在传统不变性表征学习中加入标签条件聚类与先验引导对比，分别缓解数据稀疏和标签偏移的影响。主要研究对象是用户与物品表征，并非 EEG 或 BCI。 核心机制：作者的理论分析指出，仅优化有偏与无偏数据之间的表征不变性不足以消除选择偏差，推荐性能同时受到表征不变性与判别性的约束。作者认为，现有推荐领域的不变性表征学习方法可能因数据稀疏和标签偏移而忽视甚至损害判别性。新框架据此引入两类辅助机制，但摘要未提供聚类构造、先验来源、对比样本组织、损失公式及训练流程，具体实现尚未验证。 证据与复现：作者报告在三个真实世界数据集上进行了实验，支持框架的合理性与有效性；摘要未列出数据集名称、划分协议、对照基线、指标及数值，因此无法判断收益大小或跨协议稳定性。材料提供了代码与补充材料的仓库链接，但其内容及可运行性尚未核验，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，EEG 域适应中对齐跨被试表征分布时，也可能需要同时保留任务类别的判别结构。可考察标签条件聚类与先验引导对比的机制，但需将用户—物品交互表征改为 EEG 表征，并明确目标域标签与类别先验是否可获得。推荐场景的数据稀疏和标签偏移不能直接等同于 EEG 的低信噪比、通道差异及跨被试变化；小样本下错误伪标签或不可靠先验可能反而损害对齐。一个可证伪的小实验是在固定 Cross-subject MI 划分和标签可用条件下，比较仅不变性对齐、分别加入两类模块及联合加入模块的 Balanced Accuracy，检查收益是否稳定。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对其关于表征不变性与判别性共同约束推荐性能的理论分析，以及两类模块对数据稀疏和标签偏移的作用；这些机制对 EEG 域适应的价值尚未验证。

  8. OpenReview · Representation learning70

    PromptCL：通过 Prompt 模板与对比学习改进事件表征

    基于摘要分析。本文研究 NLP 中短事件文本的表征学习：作者认为，事件文本与预训练语言模型（PLMs）预训练文本之间的长度分布差异，可能限制对比学习的效果，并提出 PromptCL，通过 Prompt 模板扩展输入并显式组织事件成分，以改善事件语义表征。 机制上，PromptCL 在对比学习过程中引入结构化 Prompt 模板，为短事件文本提供事件成分的组织框架；同时采用 Subject-Predicate-Object（SPO，主语—谓语—宾语）词序与 Event-oriented Masked Language Modeling（EventMLM，面向事件的掩码语言建模），训练 PLMs 理解事件成分之间的关系。摘要未说明模板具体内容、对比样本构造、损失组合、掩码策略或所用 PLMs，相关实现细节尚未验证。 作者报告，PromptCL 在事件相关任务上优于所比较的先进基线，并通过分析认为 Prompt 可改善事件表征的泛化能力；但摘要未提供任务名称、数据集、划分协议、指标或具体数值，无法据此评估提升幅度及不同设置下的稳定性。实验协议、消融及统计信息尚未验证。复现时需重点核对模板扩展、SPO 词序和 EventMLM 的独立贡献，以及长度变化与结构信息的作用是否得到区分。摘要表示代码将公开，当前可用性尚未验证。 平台推测（待验证）：该方法依赖文本输入、事件成分结构及 PLMs 的语言预训练知识，并非直接面向 EEG。若 EEG 任务已有可靠的试次描述或事件语义标注，可假设其文本端表征有助于处理短描述，但信号编码与跨模态对齐需另行设计；低信噪比、跨被试差异、通道变化及小样本可能使文本先验无法对应真实神经信号。一个可证伪的小实验是在同一 EEG—文本配对数据及固定跨被试划分下，比较原始短描述与结构化模板描述，仅改变文本端输入并检查性能是否稳定改善。已有 EEG 相关工作尚未检索确认，原文结果不构成 BCI 有效性的证据。

    阅读价值：值得核对 Prompt 模板扩展短事件文本与 SPO、EventMLM 的各自贡献，以判断性能提升来自长度分布匹配还是事件结构建模；其 EEG/BCI 适用性尚未验证。

  9. OpenReview · Representation learning79

    URL：面向可迁移不确定性估计的表征学习基准

    该研究关注预训练模型迁移到新数据集时，能否同时提供有效表征与可靠的不确定性估计，并提出 Uncertainty-aware Representation Learning（URL）基准来评估这两类能力。基于摘要分析，未取得论文全文。 URL 除衡量表征的可迁移性外，还通过一项新指标衡量不确定性估计的零样本迁移能力。摘要未给出该指标的定义、计算方式及所需监督信息，因此尚不能判断它具体如何刻画不确定性质量，也不能将零样本迁移直接等同于无需任何目标域信息。 作者报告，在 ImageNet 上预训练、再迁移至八个下游数据集的评估中，比较了十种不确定性量化方法；关注表征本身的不确定性或直接估计预测风险的方法，优于基于上游类别概率的方法。该结论限定于文中评估设置，摘要未提供下游数据集名称、具体分数及方法间差异幅度。作者同时指出，可迁移的不确定性量化仍是开放挑战，但其结果表明，这一目标未必与传统表征学习目标冲突。 平台推测（待验证）：若 EEG 预训练表征需要跨被试或跨数据集使用，URL 将表征质量与不确定性迁移质量分别评估的框架，可能帮助识别“分类有效但置信度不可靠”的模型。可复用的是评估问题与方法对照思路；需改造的是 EEG 输入表征、下游任务及被试和会话划分，并核对原指标的监督需求。ImageNet 图像预训练并不构成 EEG 有效性的证据，低信噪比、通道差异与小样本可能使不确定性更多反映采集条件而非预测风险。一个可检验的小实验是：固定同一 EEG 编码器与跨被试划分，对照基于类别概率和表征不确定性的估计方式，分别检查分类表现与不确定性对错误的识别能力。已有 EEG 相关工作尚未检索确认。 摘要提供了代码仓库；具体实验协议、消融、统计信息及复现配置尚未验证。

    阅读价值：值得阅读其将表征迁移能力与不确定性估计的零样本迁移能力分开评估的思路；作者报告的不同不确定性量化路线之间的差异可供方法选型参考，但其对 EEG 的适用性尚未验证。

  10. OpenReview · State space models75

    ODE-RSSM：从不规则采样数据中学习随机循环状态空间模型

    基于摘要分析。该研究针对具有非线性和随机性的输入—输出系统，提出连续时间随机循环状态空间模型 ODE-RSSM，以解决多数离散时间 SSM 难以处理不规则采样观测的问题。其主要贡献是用 ODE-Net 描述相邻观测时点之间的潜状态演化，并通过重参数化支持不同时间跨度的 ODE 批量并行求解。 机制上，ODE-RSSM 将连续时间演化引入潜状态建模；批量求解方法受到积分上下限等价线性变换的启发，旨在提高不规则采样序列的训练效率。摘要未说明随机状态的具体分布、观测模型、损失函数及 ODE 求解器配置，这些实现条件尚未验证。 作者报告，在三个输入—输出数据集的开环预测评估中，ODE-RSSM 优于所比较的基线，包括预测时点间隔不均匀、间隔长度分布变化的情形。其中一个数据集为具有较强长期延迟和随机性的私有工业数据集 rollout。摘要未提供具体指标、数值、数据划分或基线名称，实验协议、消融及统计信息尚未验证。材料提供了代码仓库，但代码可运行性及私有数据实验的可复现性尚未验证。 平台推测（待验证）：若 EEG 任务存在采样缺失、异步多模态观测或不规则事件间隔，连续时间潜状态演化和非均匀时间跨度批量求解可能具有方法参考价值；原领域有效不等于 BCI 有效。可复用部分是时间演化与求解机制，需改造观测编码、输入—输出定义和随机状态建模以适配 EEG 通道及任务监督。低信噪比、跨被试差异、通道缺失和小数据可能使潜状态估计不稳定，连续轨迹也可能难以描述短暂事件。一个可检验的小实验是在固定被试内划分下，对同一 EEG 预测任务施加不同程度的时间点删除，比较 ODE-RSSM 与离散时间模型在相同可见观测及预测时点上的误差和运行成本。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是其面向不规则时间间隔的连续时间潜状态建模，以及非均匀时间跨度下批量 ODE 求解的重参数化机制；这些机制对缺失或异步神经信号的适用性尚未验证。

  11. OpenReview · EEG72

    GIGN：学习 EEG 信号的图中图表示以实现连续情绪识别

    基于摘要分析。该研究面向 EEG 连续情绪识别中的回归任务，旨在同时学习 EEG 通道的空间拓扑关系与情绪变化的时间上下文。作者将 EEG 表示为时间图中的空间图（SGTG），提出图中图神经网络 GIGN，以联合建模空间和时间信息。 在空间层面，每个空间图承载 EEG 通道关系，使用带可学习邻接矩阵的图卷积网络（GCN）捕获通道间的动态关系。在时间层面，作者将各空间图的嵌入所表示的短时情绪状态，通过另一套带可学习邻接矩阵的 GCN 加以组合，学习时间上下文。其主要方法特点是将通道拓扑与时间关系分别组织为图，并在图中图表示中联合学习，而非仅对通道或时间序列单独建模。具体节点特征、时间边构造、邻接矩阵的动态更新方式、损失函数及训练流程尚未验证。 作者报告，在公开数据集 MAHNOB-HCI 上，GIGN 的情绪回归结果优于近期发表的同任务方法。摘要未提供具体回归指标、数值、对照方法名称，也未说明被试内或跨被试划分，因此目前不能判断优势幅度及跨被试泛化能力，亦不能将该结果解释为情绪分类 Accuracy 的提升。 摘要给出了 GIGN 的代码入口，为实现核对与复现提供了起点；代码内容、依赖及其与论文实验的一致性尚未验证。进一步阅读应核对 EEG 预处理、窗口设置、回归目标、数据划分，以及空间与时间图模块各自的贡献。实验协议、消融及统计信息尚未验证；连续情绪回归结果也不直接构成在线 BCI 有效性的证据。

    阅读价值：值得核对其可学习空间与时间邻接矩阵如何分别建模 EEG 通道关系和情绪上下文；摘要提供了代码入口，但回归优势及其评估协议仍需全文与复现验证。

12月31日周六
  1. OpenReview · Representation learning77

    通过构建共识进行面向聚类的表征学习

    基于摘要分析。本文研究图像的无监督表征学习与聚类，提出 consensus clustering using unsupervised representation learning（ConCURL），将共识一致性与样本一致性、群体一致性结合到端到端学习框架中。主要贡献是使表征不仅支持增强视图之间的接近和相似图像的聚类归属一致，还能支持不同扰动或聚类设置下的划分稳定性。 机制上，样本一致性要求同一图像经数据增强得到的不同视图在表征空间中接近；群体一致性要求相似图像具有相似的聚类分配。作者新增的共识一致性要求：在表征空间变化、不同聚类算法或同一算法的不同初始化下，学习得到的表征能够诱导相似划分。摘要明确提出通过表征空间变化构建聚类损失，但具体变化方式、损失公式、各项权重及训练流程尚未验证。 作者报告，在五个图像数据集中的四个上，ConCURL 的聚类表现优于所比较的先进方法；摘要未给出数据集名称、指标、数值和具体对照，因而不能判断提升幅度或跨协议可比性。作者还报告扩展了聚类评估程序，以考察分布偏移下维持聚类性能的能力，并进行了详细消融。实验协议、消融及统计信息尚未验证。材料提供代码与训练模型的公开仓库，但依赖环境、配置与复现一致性尚未核对。 平台推测（待验证）：可检验的迁移假设是，共识一致性可能缓解 EEG 无监督聚类对表征扰动和初始化的敏感性。原方法依赖图像增强视图与可比较的聚类划分；迁移时可复用多次划分的一致性约束，但需改造 EEG 编码器、时序增强及扰动策略。低信噪比、被试差异、通道变化和小样本可能使一致性约束稳定地保留伪迹或被试身份，而非目标状态。一个小规模实验是在固定 EEG 数据划分、编码器和聚类算法的条件下，对比加入与不加入共识约束的模型，以标签仅用于评估，检查多次初始化的划分稳定性及目标状态聚类质量是否同时改善。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的具体原因是 ConCURL 将聚类划分的共识稳定性纳入表征学习，并扩展到分布偏移下的聚类评估；其对 EEG 无监督聚类的价值仍需独立验证。

10月17日周一
  1. OpenReview · State space models78

    基于模型的强化学习中深度状态空间模型的不确定性研究

    基于摘要分析。本文研究基于模型的强化学习中 Recurrent State Space Models（RSSMs）的不确定性建模与推断机制，提出 Variational Recurrent Kalman Network（VRKN），以更明确地区分偶然不确定性与认知不确定性。原论文主要研究对象是强化学习中的环境动态模型，并非 EEG 解码或 BCI。 作者报告，RSSMs 使用的次优推断方案会使模型高估真实系统的偶然不确定性，而这种高估产生的隐式正则化有助于其在基于模型的强化学习中取得效果。作者进一步提出假说：该正则化可能发挥与显式建模认知不确定性相似的作用。这一功能解释应与作者报告的高估现象区分，不能视为已普遍证实的等价关系。 VRKN 在潜在空间中使用 Kalman 更新进行精确平滑推断，并通过 Monte Carlo Dropout 建模认知不确定性。作者指出，Kalman 更新使其能够自然处理缺失观测，以及每个时间步观测数量不同的传感器融合问题。具体潜在状态假设、训练目标与平滑推断实现尚未验证。 作者报告，在需要准确刻画偶然不确定性的任务中，以 VRKN 替代 RSSM 可改善性能，而在确定性的标准基准上表现相当。摘要未提供任务名称、数据规模、评价指标或具体数值；实验协议、消融及统计信息尚未验证，不能据此推断其在所有强化学习任务中均优于 RSSM。 平台推测（待验证）：若将 EEG 建模为潜在动态过程的带噪观测，这种区分两类不确定性并处理缺失观测的机制，可能对应信号缺失或异步多模态融合问题。可考察复用潜在状态更新与不确定性建模组件，但需改造 EEG 观测编码、时间尺度及监督目标；低信噪比、跨被试分布变化、通道配置差异和小数据可能使潜在动态假设或不确定性估计失效。一个可检验的小实验是在固定被试内划分、训练数据和下游任务的条件下，比较 RSSM 与 VRKN 在逐步增加缺失时间窗时的预测误差与不确定性校准表现。原领域结果不等于 BCI 有效性，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是作者对 RSSMs 中偶然不确定性高估与隐式正则化关系的分析，以及用 VRKN 分开建模两类不确定性的替代方案；其对 EEG 缺失观测与多模态融合的价值尚未验证。

1月1日周六
  1. OpenReview · EEG74

    EEGANet：使用生成对抗网络去除 EEG 信号中的眼电伪迹

    基于摘要分析。该研究针对 EEG 眼电伪迹去除通常依赖 EOG 记录或眨眼检测的问题，提出基于生成对抗网络（GANs）的 EEGANet。其核心贡献是训练完成后可免校准地处理 EEG，无需依赖 EOG 通道或眨眼检测算法，以降低实际 BCI 应用的辅助采集与处理需求。 方法与机制：EEGANet 被定位为数据驱动的眼电伪迹去除辅助工具。摘要提到评估其多通道 EEG 生成能力、伪迹去除性能与鲁棒性，但未提供生成器和判别器结构、损失函数、训练监督来源或干净信号参照的构造方式；这些信息尚未验证。训练后无需 EOG 的结论不应扩展为训练阶段也无需 EOG 或配对监督。 评估与结果：作者报告，在具有较大数据波动的 EEG eye artifact dataset 上，EEGANet 的伪迹去除表现与使用 EOG 通道的先进方法相当。作者还报告，在另外两个 BCI 数据集的跨日（inter-day）和被试独立（subject-independent）评估中，虽不使用 EOG 信号，经 EEGANet 处理后的分类性能仍与传统基线方法相当。摘要未给出这两个数据集的名称、被试数、具体划分、分类任务、指标数值或统计检验，因此“相当”应视为作者报告，不能据此认定统计等效或优于基线。 局限与复现：需核对伪迹抑制是否保留任务相关 EEG 成分、训练与测试数据的划分方式、跨日及被试独立条件下的模型训练范围，以及不同伪迹强度下的稳定性。摘要明确提供了源码地址，但代码可运行性、预处理流程、实验协议、消融及统计信息尚未验证。作者提出该思路可能推广到其他多变量生物时间序列；这属于应用前景，摘要未提供相应验证结果。

    阅读价值：值得核对 EEGANet 在无需 EOG 通道或眨眼检测的推理条件下，如何兼顾眼电伪迹去除与跨日、被试独立 BCI 分类表现；摘要中的可比性结论仍需全文协议与统计结果支持。

  2. OpenReview · Representation learning75

    使用扩散模型进行表征学习

    基于摘要分析。本文研究图像扩散模型的语义表征学习：针对 DMs 及潜空间扩散模型 LDMs 的扩散过程逐步破坏潜变量信息、缺乏语义明确表征空间的问题，提出 LRDM 框架，将独立编码器从干净图像提取的表征作为 LDM 的条件，并联合训练扩散模型与表征编码器。 核心机制是让表征学习直接服务于生成去噪过程，而非仅使用预训练自编码器的潜空间。作者还引入可处理的表征先验，以便从表征分布高效采样，在不训练额外模型的情况下实现无条件图像生成。摘要未给出先验形式、损失函数、条件注入方式及训练细节，这些内容尚未验证。 作者报告，在摘要所述图像生成评估中，采用 image-parameterized LDMs 可获得有竞争力的生成结果；LRDMs 能学习具有语义意义的表征，并支持忠实的图像重建与语义插值。摘要未提供数据集、划分、对照基线、指标或数值，不能据此量化优势；实验协议、消融及统计信息尚未验证。摘要提供了实现仓库，但代码完整性与复现条件尚未核对。 平台推测（待验证）：该机制提供的迁移假设是，生成去噪与条件表征的联合学习可能帮助 EEG 提取可重建的信号结构，但图像语义并不等于 EEG 的任务相关信息。原方法依赖预训练自编码器、干净输入及表征先验；是否需要任务标签、训练规模如何，摘要未说明。可尝试复用联合训练与表征先验的思路，但需改造时序编码器、潜空间自编码器和条件注入模块。低信噪比、跨被试差异、通道配置变化及小数据可能使表征偏向伪迹或被试身份，而非任务信息。 一个可检验的小实验是假设检验：在固定 EEG 数据划分、相同编码器与训练预算下，对比联合条件去噪表征和仅自编码器表征，以冻结表征的线性分类及重建质量分别评估任务信息与重建能力，并独立报告被试内和跨被试结果。此建议不是已验证的 BCI 效果；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其联合学习表征与生成去噪的机制，以及表征先验如何支持无需额外模型的无条件采样，但摘要尚不足以判断表征质量及向 EEG 迁移的有效性。

  3. OpenReview · State space models80

    使用状态空间视频模型进行长电影片段分类

    基于摘要分析。本文研究长电影片段分类中的长程时序推理问题，提出 ViS4mer，将 Transformer 的短程时空特征提取与结构化状态空间序列（S4）层的长程建模结合，以缓解长序列自注意力的二次计算成本。 核心机制是使用标准 Transformer encoder 提取短程时空特征，再交由多尺度时序 S4 decoder 进行长程推理。decoder 各层逐步降低时空特征分辨率与通道维度，在压缩表示的同时建模长程时空依赖。其方法价值在于局部特征提取和长程推理的模块分工，而非将整个视频处理流程完全替换为 S4。 作者报告，相对于对应的纯自注意力模型，ViS4mer 速度为其 2.63 倍，GPU 显存需求为其八分之一；硬件、输入长度、批量大小及计时口径尚未验证。作者报告，在 Long Video Understanding（LVU）benchmark 的 9 项长电影视频分类任务中，6 项达到当时的最先进结果，并在 Breakfast 和 COIN 程序性活动数据集上取得有竞争力的结果。具体任务指标、数据划分、对照配置、消融及统计信息尚未验证，不能据此比较不同评估协议。摘要提供了公开代码地址，但运行环境、预训练依赖及复现完整性尚未核对。 平台推测（待验证）：这一机制可对应长时段 EEG 建模中全局注意力成本较高的瓶颈，但视频结果不等于 BCI 效果。迁移假设依赖于任务确有长程时序信息，以及局部 EEG 特征能保留该信息；可复用 S4 长程推理模块，需改造视频时空编码和多尺度降采样，使其适配 EEG 通道、采样率及任务监督。低信噪比、跨被试分布差异、通道配置变化和小数据可能使压缩过程丢失短暂 ERP 或其他判别线索。一个可检验的小实验是固定 EEG 局部编码器与数据划分，仅比较 S4 和自注意力长程模块，在不同输入时长下记录任务指标、推理时间及显存，并严格隔离训练与测试被试。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其将短程 Transformer 特征提取与多尺度 S4 长程推理结合的机制及效率对照，但作者报告的视频任务收益尚不能视为 EEG/BCI 有效性的证据。

12月31日周五
  1. OpenReview · Representation learning77

    通过构建共识实现面向聚类的表示学习

    基于摘要分析。本文研究图像的无监督聚类表示学习，提出 ConCURL（consensus clustering using unsupervised representation learning），将共识一致性与样本一致性、群体一致性整合到端到端学习框架中，以学习能够产生稳定聚类划分的表示。 核心机制：样本一致性要求同一图像经数据增强得到的不同视图在表示空间中接近；群体一致性要求相似图像具有相似的聚类分配。作者进一步定义共识一致性，要求表示空间的变化、不同聚类算法或同一算法的不同初始化能够诱导相似划分。摘要明确说明，所提出的聚类损失通过在表示空间中实施变化来构建，但损失的具体形式、变化方式及各一致性项的组合尚未验证，不能据此认定实现同时覆盖所有算法与初始化变化。 结果与复现：作者报告，ConCURL 在五个图像数据集中的四个上提升了相对于当时先进方法的聚类表现；摘要未提供数据集名称、指标、数值及具体比较协议。作者还扩展了聚类评估，以考察分布偏移下的表现，并报告开展了详细消融。摘要提供代码与训练模型的公开仓库，但实现、训练配置、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该方法的原始研究对象是图像，而非 EEG 或 BCI。其可迁移假设是，约束表示变化下的聚类划分一致性，可能缓解 EEG 无监督聚类对初始化和表示扰动的敏感性。共识约束可作为候选复用模块，但图像增强需要替换为保留 EEG 生理与任务信息的变换，编码器也需适配时序及通道结构；所需样本规模尚不明确。低信噪比、跨被试差异和通道变化可能使算法稳定地聚类伪迹或被试身份，小数据则可能导致共识退化。一个可检验的小实验是在同一 EEG 数据划分、编码器和训练预算下，比较加入与不加入共识约束时的聚类划分稳定性，并用仅供评估的任务标签检查其是否保留任务结构。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其将聚类划分稳定性纳入表示学习的共识机制及分布偏移评估，但其对 EEG 聚类的适用性尚未验证。

1月1日周五
  1. OpenReview · Representation learning79

    空间网络上的表示学习

    基于摘要分析。本文研究嵌入真实空间、节点与边受几何约束的空间网络，提出联合利用空间信息与网络拓扑的通用表示学习框架，旨在克服单独使用空间模型或网络模型难以刻画两类信息耦合的问题。 机制方面，论文将节点置换不变性以及旋转、平移不变性作为表示需求。作者提出一种声称可证明信息无损、且具有旋转和平移不变性的网络空间信息表示，并设计与之适配的高阶空间网络卷积。摘要未说明“不损失信息”的形式化定义、适用条件及具体证明，也未展开卷积算子、训练目标或推理流程，需结合全文核对。 效率方面，作者报告通过随机生成树采样，将时间与内存复杂度从 O(N³) 降至 O(N)。这一结论对应所提出的采样方案，但 N 的定义、采样数量以及复杂度是否覆盖完整模型流程尚未验证。作者报告在合成与真实数据集上进行了实验，并提供实现代码；具体数据集、任务、划分、对照基线、结果指标、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 通道及其空间坐标组织为图，该方法可能用于联合编码电极几何与通道间关系，应对坐标系差异造成的表示变化。可复用部分是空间不变表示与图卷积机制；需改造部分包括多通道时序特征编码、边的构建及缺失通道处理。其适用性依赖可靠的空间坐标与图结构；低信噪比可能使功能连接边不稳定，跨被试通道差异和小数据也可能削弱收益。此外，旋转不变性可能抹去任务相关的方向或侧化信息，不能默认有利于 EEG 解码。 一个可检验的小实验是：在固定 EEG 数据划分与图拓扑下，对电极坐标施加刚体旋转和平移，比较该表示与普通图模型的预测一致性及解码表现，再单独检验通道缺失时的稳定性。该实验仅检验迁移假设，不代表原论文已有 EEG 证据；相关 EEG 工作尚未检索确认。

    阅读价值：值得核对其如何在保留空间信息的同时实现节点置换与旋转、平移不变性，以及随机生成树采样降低复杂度的条件；这些机制为评估带空间坐标的 EEG 图表示提供了具体切入点，但 BCI 有效性尚未验证。

  2. OpenReview · EEG72

    用于 EEG 信号伪迹去除的嵌入分解

    基于摘要分析。该研究针对 EEG 记录中的伪迹污染，提出深度学习框架 DeepSeparator，在嵌入空间分离神经信号与伪迹，再重建去噪信号。其主要贡献是将特征编码、伪迹分解与信号重建串联，并支持提取伪迹成分，以辅助理解模型的去噪行为。 机制上，encoder 从原始 EEG 中提取并增强特征；decomposer 提取趋势、检测并抑制伪迹；decoder 重建去噪信号。作者认为，相较于依赖先验经验的传统分析方法，这种框架提供了学习式的伪迹处理路径。摘要未给出嵌入分解的数学定义、监督信号、损失函数或训练细节，尚不能确认其如何约束神经成分与伪迹成分的分离，也不能仅凭可输出伪迹就认定分解具有生理真实性。 作者报告，在半合成 EEG 数据集与真实任务相关 EEG 数据集上，DeepSeparator 对 EOG 和 EMG 伪迹的去除优于传统模型。摘要未提供数据集名称、被试数量、数据划分、对照方法及具体指标，因此该结论应限定于作者所述评估，不能外推为跨被试或跨会话优势。实验协议、消融及统计信息尚未验证。 作者表示，该方法可扩展至多通道 EEG 和任意长度数据，并提供了代码入口；具体实现方式与这些扩展的验证范围尚未确认。复现时应核对半合成数据的构造与污染强度、真实任务数据的评估依据，以及去噪过程是否保留任务相关神经成分。该研究直接面向 EEG 去噪，但摘要未报告下游 BCI 解码效果，不能将伪迹去除优势等同于 BCI 性能提升。

    阅读价值：值得关注 DeepSeparator 在嵌入空间分离神经信号与伪迹、同时输出去噪信号和伪迹的机制；摘要提供了代码入口，但其信号保真度及跨被试适用性仍需核对全文与实验。