跳到正文

算法、任务与模态

Scientific ML 最新动态

Scientific ML 研究索引；按可核对的标签归档，不以热度评价质量。

355 条精选近 30 天 123 条共收录 407 条

更新

精选归档 · 第 18 页

1月1日周一第 341–355 条
  1. OpenReview · Representation learning71

    用于监督学习的数据自适应生物序列表示

    基于摘要分析。本文研究 DNA、蛋白质等类别序列如何构建适合监督学习的表示，主要背景是从局部 DNA 元件或 motifs 理解序列与基因表达之间的关系。作者提出 SW-RF（sliding window-random forest），通过滑动窗口与树学习器构建数据自适应的序列特征，用于预测序列对应的响应。 方法分为两步：首先将每条序列表示为固定长度、相互重叠的子序列；随后在该表示上训练树学习器，以每条序列的子序列落入各终端节点的频次构成类似 bag-of-words 的表示。所得特征可供后续分类器使用。文中采用 lasso logistic regression，以便识别与分类任务相关的重要模式。其机制特点是由数据驱动的树划分定义子序列的特征归属，而不是仅依赖预先指定的局部模式。 作者报告，在合成数据和 DNA promoter sequence 数据上的实验中，该方法在 Accuracy 方面取得显著更好的结果，并称 SW-RF 中的树学习器能有效处理 microarray 数据常见的缺失值。摘要未提供具体分数、对照方法、数据规模、划分方式或显著性检验细节，因此不能判断优势的幅度及适用边界；实验协议、消融及统计信息尚未验证。 复现需核对窗口长度、子序列编码、树训练所用监督信息、叶节点频次的汇总方式、lasso 正则化设置，以及表示学习与分类评估的数据划分。作者称方法可用于其他类别序列，但本文的主要研究对象仍是生物序列，并非 EEG 或 BCI；摘要未建立其与连续神经信号之间的具体对应关系，不能据此推断 BCI 有效性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的具体原因是 SW-RF 将类别序列的局部子序列映射为树叶节点频次特征，并结合 lasso logistic regression 识别分类相关模式；其性能优势与缺失值处理效果仍需全文实验核对。

  2. OpenReview · State space models75

    Gaussian process 状态空间模型的基于场景的最优控制

    基于摘要分析。该论文研究在动力学结构先验有限时，如何利用 Gaussian process 状态空间模型设计最优控制。核心贡献是将其概率性质解释为动力系统上的分布，从中采样动力学场景，并将这些场景用于 differential dynamic programming，以求解最优控制问题。 机制上，论文关注的不是单一预测模型下的控制，而是如何把学习所得的动力学不确定性纳入控制设计。作者将“从 Gaussian process 采样场景”与最优控制求解相结合；在线性二次情形下，借助鲁棒凸优化结果推导概率性能保证。摘要未给出场景采样的具体实现、控制目标、约束形式或保证所需假设，不能将该保证直接推广至一般非线性系统。 作者报告对非线性与线性情形进行了数值评估，但摘要未提供系统实例、训练数据规模、对照基线或定量指标。实验协议、消融及统计信息尚未验证。复现时需核对 Gaussian process 的建模与采样方式、场景数量、优化求解设置，以及概率保证与数值评估各自适用的条件。 平台推测（待验证）：该机制可能适用于具有动作输入和状态转移数据的 BCI 闭环控制，而非直接作为 EEG 分类算法。假设能够获得可靠的状态—动作—后继状态轨迹，可复用动力学不确定性建模与场景式控制框架；状态表示、观测噪声处理和动作约束则需针对 BCI 改造。EEG 低信噪比、跨被试差异、通道变化及小数据可能使模型不确定性估计失准。一个可检验的小实验是在固定状态表示、相同轨迹划分和控制目标下，对比场景式控制与单一动力学预测控制，检验预测不确定性校准及闭环代价；这不是已验证的 BCI 效果，相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读的具体原因是将 Gaussian process 状态空间模型的不确定性用于场景式最优控制，并在线性二次情形下推导概率性能保证；保证的适用条件及数值实验效果尚需全文核对。

  3. OpenReview · State space models79

    混合系统的神经网络状态分类

    基于摘要分析。本文研究混合系统的状态分类问题（SCP）：依据混合自动机中的状态是否满足给定的限时可达性规范，将其判为正类或负类。作者提出 Neural State Classification（NSC），用深度神经网络近似这一判定，以获得高效的状态分类器；研究对象是混合系统验证，而非 EEG 解码或 BCI 算法。 机制上，SCP 将模型检查推广为对各个状态的分类。摘要称 NSC 分类器可在常数时间和空间内运行，但可能产生分类错误。为量化并缓解错误，方法包含两部分：以统计保证认证分类器是否达到指定准确率；通过调优降低假阴性，即把正类状态误判为负类，其中包括作者提出的对抗采样技术。作者将减少假阴性解释为使分类器更保守，但这种保守性的具体安全含义需要结合规范定义核对，不能等同于形式化的零错误保证。 作者报告，在六个非线性混合系统基准上，Accuracy 为 99.25%–99.98%，假阴性率为 0.0033–0，调优后降为 0.0015–0；假阴性率沿用摘要中的小数表示。具体基准名称、训练与测试状态的采样及划分、统计认证的置信水平、对照方法、网络结构、消融及统计信息尚未验证。作者认为这些准确率对许多实际应用可接受，但这一判断不能直接外推至安全关键应用。 平台推测（待验证）：若闭环 BCI 控制器及被控设备能够表示为混合自动机，NSC 或可用于快速筛查满足特定可达性规范的控制状态，而不是直接分类 EEG。这一假设依赖可用的动力学模型、状态表示和可达性标签；可复用的是状态分类与错误控制思路，需改造的是 BCI 状态估计和规范定义。EEG 低信噪比、跨被试差异及有限数据可能使在线状态偏离训练分布。一个可检验的小实验是在模拟闭环控制系统中，以独立采样状态的可达性判定为参照，比较调优前后的假阴性率与推理耗时，再加入状态估计噪声检验退化。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是 NSC 将混合系统的限时可达性判定转化为快速状态分类，并结合准确率统计认证与对抗采样降低假阴性；其适用边界和安全保证仍需结合全文核对。

  4. OpenReview · State space models79

    混合系统的神经网络状态分类

    基于摘要分析。本文研究混合系统的 State Classification Problem（SCP），提出以深度神经网络实现的 Neural State Classification（NSC），根据混合自动机的状态是否满足给定的限时可达性规范，将其分类为正类或负类。其主要贡献是用高效分类器近似这一判断，并通过统计认证和分类器调优量化、降低分类错误。 SCP 将模型检查扩展为面向各个状态的分类问题。作者称，NSC 生成的分类器通常具有常数时间和空间的运行开销，但可能发生误分类。为此，方法包含两部分：以统计保证认证分类器是否达到指定准确率水平，以及利用包括对抗采样在内的调优技术降低假阴性，即将满足规范的正类状态误判为负类。摘要未给出网络结构、训练损失、标签生成流程、采样分布或认证所需样本量，这些细节尚未验证。 作者报告，在六个非线性混合系统基准上，Accuracy 为 99.25%–99.98%，假阴性率为 0.0033–0，调优后降至 0.0015–0。上述结果对应混合系统状态分类，而非神经信号分类；具体基准名称、训练与测试划分、对照方法、消融及统计信息尚未验证。报告中的零假阴性不能据此解释为对所有状态的无错误保证，仍需核对统计认证的适用条件。 平台推测（待验证）：若 BCI 闭环控制已具有连续动力学与离散模式组成的混合自动机模型，NSC 或可作为限时可达性检查的近似加速模块，而非 EEG 解码器。可复用分类与统计认证思路，但需改造状态表示、系统模型及规范；低信噪比引起的状态估计误差、跨被试动力学变化和稀有危险状态覆盖不足可能使其失效。一个可检验的小实验是在已知模型的闭环仿真中，以可达性分析结果生成标签，比较 NSC 调优前后的推理开销与假阴性率，并加入状态估计扰动。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是将混合系统的限时可达性判断转化为神经网络状态分类，并结合统计认证与对抗采样降低假阴性；其价值主要在形式化验证加速，尚非 EEG/BCI 解码效果证据。

  5. OpenReview · State space models74

    带状态约束的逆问题的最优实验设计

    基于摘要分析。本文研究带状态约束的逆问题如何进行最优实验设计（OED），目标是在考虑重建约束的同时减少测量数量和实验成本。主要贡献是两类测量设计表述，以及用于求解相应高维双层优化问题的导数驱动方法；原论文的数值应用是层析成像重建，而非 EEG/BCI 或状态空间模型。 第一类表述对设计参数空间进行精细离散化，通过促进稀疏性的正则化获得精简测量设计；第二类表述将设计参数化，通过低维优化寻找测量的最优位置。两者分别在 Bayes risk 与 empirical Bayes risk 最小化框架下讨论。对于不带约束的逆状态问题，作者利用内层问题的闭式解高效计算外层 OED 的导数；经验风险表述不要求逆问题具有显式解，因此便于纳入约束。 求解方面，作者采用松弛内点法处理不等式约束下活跃集方法涉及的不可微困难，并在训练模型之间并行计算，以缓解 empirical Bayes OED 的计算负担。作者报告：在不同数据集和约束条件下的层析成像数值示例中，约束会影响最优设计，体现了针对受约束问题开展 OED 的重要性。摘要未提供具体数据集名称、测量数量、重建指标、对照结果或加速幅度；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 源定位可表述为带合理状态约束的逆问题，该框架可能用于电极子集选择或位置设计，以检验测量成本与重建质量的权衡。可复用部分是稀疏设计和双层优化框架；需改造的是 EEG 前向模型、噪声模型、约束及设计风险。其依赖具有代表性的训练模型或先验，低信噪比、跨被试头模型差异和小数据可能导致设计失配。一个可证伪的小实验是：在固定 EEG 前向模型和相同电极预算下，用独立模拟源与噪声样本比较优化子集、均匀布局及随机子集的源重建误差，再检验头模型扰动下是否仍有收益。已有 EEG 相关工作尚未检索确认，这一迁移假设不构成 BCI 有效性的证据。

    阅读价值：该研究值得关注的具体原因是将状态约束纳入测量选择与位置优化，并给出可求导的双层优化求解路径；其对 EEG 逆问题传感器设计的价值尚未验证。

  6. OpenReview · State space models74

    近似动态规划：结合区域近似与局部状态跟随近似

    基于摘要分析。本文研究控制仿射确定性系统的无限时域最优调节问题，通过组合局部状态跟随（StaF）核近似与区域模型式强化学习（R-MBRL）价值函数近似，实现在线求解。核心贡献是以依赖状态的凸组合连接两类近似，使价值函数表示随系统状态所在区域发生过渡。 机制上，R-MBRL 面向较大紧集内的价值函数近似，而 StaF 核仅近似当前状态附近、随状态在紧集内移动的局部邻域。当状态进入包含原点的邻域时，组合表示从 StaF 近似过渡到 R-MBRL 近似。该设计将沿状态轨迹进行局部近似与原点邻域的区域近似结合起来；具体权重构造、模型信息需求、在线更新规则及计算成本尚未验证。 作者报告，通过基于 Lyapunov 的分析，建立系统状态相对原点的半全局一致最终有界（SGUUB）性质；这一表述不应等同于状态精确渐近收敛至原点。作者还报告在二、三、六及十状态动力系统上开展仿真，以展示方法的可扩展性与性能。摘要未提供具体性能数值、对照结果或计算开销，实验协议、消融及统计信息尚未验证。 研究对象是确定性动力系统的最优控制，而非 EEG 解码或 BCI 验证。其对实际闭环 BCI 的意义仍取决于系统建模、噪声与非平稳性等条件，现有材料不足以提出具体迁移结论；相关 EEG/BCI 工作尚未检索确认。复现需进一步核对系统方程、核函数与区域近似的定义、凸组合权重、学习参数，以及稳定性结论所依赖的假设。

    阅读价值：值得核对其局部随状态移动与区域价值函数近似的组合机制，以及 Lyapunov 稳定性保证的适用条件；摘要中的验证限于动力系统仿真，尚不能据此判断 BCI 适用性。

1月1日周日
  1. OpenReview · State space models70

    连续黑箱优化问题空间的非参数模型

    基于摘要分析。本文研究连续黑箱优化中的问题表征与自动算法选择，提出用非度量多维尺度分析（non-metric multidimensional scaling）构建问题空间的非参数模型，为每个优化问题生成合成特征，以替代或补充现有 Exploratory Landscape Analysis 特征。 原问题与机制：作者认为，已有景观分析方法往往依赖较强假设，或将数据压缩为少量标量特征而损失信息。本文的概念验证尝试避免显式测量和比较特定景观结构，通过问题空间表征支持算法推荐与可视化。这里的“非参数模型”针对优化问题空间，并非神经信号模型；摘要未说明问题间差异如何计算、合成特征维度、采样预算及新问题如何映射。 结果与证据边界：作者报告，与既有方法比较时，该模型具有竞争力。摘要未提供具体问题集、推荐算法、评估指标或分数，因此无法判断优势大小及泛化范围；实验协议、消融及统计信息尚未验证。复现需核对问题采样方式、非度量多维尺度分析设置、算法性能标签及训练与评估问题的划分。 平台推测（待验证）：若 EEG 解码器调参能够形成可比较的连续黑箱优化任务，该机制可能用于按任务特征推荐优化算法，而非直接提高 EEG 解码性能。可复用部分是问题空间表征与推荐思路，需改造的是任务差异定义、采样预算和性能评价。低信噪比、小数据及跨被试差异可能使目标函数评估不稳定，破坏表征与推荐的可靠性。一个可检验的小实验是在固定调参预算下，以留出被试的优化任务比较该推荐方法与固定优化器、既有景观特征推荐方法的最终验证集表现，并将测试集仅用于最终评估。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是以非度量多维尺度分析构造优化问题空间表征、辅助算法推荐的概念验证；作者报告其表现具有竞争力，但具体对照协议及其对 EEG/BCI 优化任务的适用性尚未验证。

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

    通过似然信息引导的参数与状态降维构建大规模贝叶斯逆问题的可扩展后验近似

    基于摘要分析。本文研究大规模贝叶斯逆问题中高维参数采样困难与前向模型计算昂贵两项瓶颈，提出联合构造低维参数子空间和前向模型状态子空间，以降低后验推断成本。原论文主要对象是大气遥感积分方程反演与地下水系统非均匀导水系数场推断，并非 EEG 或 BCI 研究。 核心机制是利用不完整或含噪观测、前向模型的状态变化与参数依赖，以及先验相关性所提供的降维结构。后验被近似为两个因子的乘积：一是在低维参数子空间上的后验投影，其中原始似然由涉及降阶模型的近似似然替代；二是在参数子空间高维补空间上的边缘先验。状态降维还可进一步识别高维观测的低维数据子空间。该机制不仅压缩待推断参数，也降低每次似然计算所需的前向求解成本。 作者比较了多种子空间构造策略，使用有限次前向与伴随模型模拟，并通过 Markov chain Monte Carlo 等标准采样方法刻画近似后验。作者报告，两个数值例子展示了方法的准确性和效率：大气遥感例子具有高维观测；地下水例子采用偏微分方程前向模型，状态与参数均为高维。摘要未提供具体维度、误差指标、加速比例或对照结果，实验协议、消融及统计信息尚未验证。复现需取得具体先验、观测噪声模型、前向与伴随求解器、子空间构造及截断准则。 平台推测（待验证）：其机制可能对应 EEG 贝叶斯源成像中的高维源参数与重复前向计算瓶颈，但依赖明确的物理前向模型、先验及似然，而非直接可迁移的分类网络。可复用参数子空间与后验因子化思路；状态降维是否有额外收益，需结合 EEG 前向模型重新评估。低信噪比、通道减少及被试间头模型差异可能改变似然信息子空间，使保留维度不足或近似失配；小数据条件下，后验也可能主要受先验主导。一个可证伪的小实验是在可计算完整后验的合成 EEG 逆问题中，固定先验与噪声协议，比较完整模型和不同截断维度近似的后验误差、不确定性覆盖及运行时间，并改变噪声与通道配置。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是其联合压缩参数空间与前向模型状态空间的后验近似机制，可用于评估高维贝叶斯逆问题中的采样成本与近似误差权衡，但其对 EEG 源成像的适用性尚未验证。

  2. OpenReview · State space models81

    通过似然信息驱动的参数与状态降维构建大规模贝叶斯逆问题的可扩展后验近似

    基于摘要分析。本文研究大规模贝叶斯逆问题中高维参数后验采样难以扩展、前向模型求值成本高的两类瓶颈，提出联合构建参数空间与前向模型状态空间的低维子空间，以降低后验近似与采样的计算负担。原论文的研究对象是大气遥感与地下水反演，并非 EEG 或 BCI 解码。 核心机制是利用不完整或含噪观测、前向模型的状态变化及参数依赖，以及先验相关性所提供的降维结构。后验被近似为两个因子的乘积：其一是在低维参数子空间上的后验投影，其中原始似然由包含降阶模型的近似似然替代；其二是高维互补参数子空间上的边缘先验。状态降维还可用于识别高维观测数据中的低维子空间。摘要称，论文比较了多种子空间构建策略，仅需有限次数的前向与伴随模型模拟，所得近似后验可用 Markov chain Monte Carlo 等标准采样方法表征。具体子空间构造、误差控制及策略对照尚未验证。 作者报告，两个数值例子展示了方法的准确性与效率：一个是具有高维观测的大气遥感积分方程反演，另一个是地下水系统中非均质导水系数场的推断，后者具有高维状态与参数，并依赖偏微分方程前向模型。摘要未给出误差、加速比或采样效率数值，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能对应 EEG 源成像中的高维源参数与前向计算瓶颈，而非直接用于运动想象分类。迁移假设依赖可定义的观测似然、结构化先验及可降维的前向模型；参数子空间与后验分解思路可能复用，但需针对 EEG 源参数化、头模型、通道布局和噪声模型改造。低信噪比、少通道或被试间头模型差异可能使弱可辨识源被过度压缩；若前向求值本已廉价，额外降维成本也可能抵消收益。一个可证伪的小实验是在固定头模型与已知模拟源下，对照完整后验采样与降维近似，在相同观测和先验条件下比较源定位误差、后验不确定性及总计算时间，并改变噪声水平和通道数。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其联合压缩参数空间与前向模型状态空间的后验近似机制，尤其是如何用有限次前向与伴随模拟降低贝叶斯反演成本；其对 EEG 源成像的适用性尚未验证。

  3. OpenReview · State space models72

    连续时间马尔可夫链的性质驱动状态空间粗化

    基于摘要分析。本文研究大状态空间连续时间马尔可夫链的分析与探索成本，提出按系统轨迹对一组逻辑规范的满足情况进行状态空间粗化，目标是在简化系统的同时保留指定的行为性质，而非仅依据转移率相似性聚合状态。 核心机制结合 Gaussian Process emulation（高斯过程代理建模）与 Multi-Dimensional Scaling（多维尺度分析）。摘要将后者描述为用于保持非欧几里得空间距离的降维技术；两者共同支持从性质满足情况的视角构建低维状态空间可视化，并定义对指定逻辑规范具有一致行为的宏状态。其关键区别是聚合依据由局部转移率转向轨迹层面的性质，但具体距离定义、代理模型训练方式、优化目标以及粗化后的动力学构造尚未验证。 作者报告，该方法在一个非平凡贯穿示例中展示了有前景的表现和较高计算效率。摘要未提供示例规模、具体对照、误差指标或运行时间，因此不能据此量化性质保留程度或计算加速；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 分析已建立连续时间马尔可夫链状态模型，并能明确描述状态驻留、切换或事件到达等轨迹性质，该框架可能用于压缩状态空间，同时保留任务相关行为。可复用的是性质驱动的状态表示与聚合思路；需改造的是 EEG 状态定义、转移率估计及逻辑规范。低信噪比、跨被试差异、通道变化和小样本可能使状态估计与性质满足概率不稳定。一个可证伪的小实验是，在固定 EEG 状态建模与数据划分的前提下，对比性质驱动粗化与转移率相似性聚合，检验留出数据上的性质满足概率偏差及计算成本；这仅是迁移假设，不是本文已验证的 EEG 结果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读之处在于以轨迹逻辑性质的满足情况而非转移率相似性定义状态聚合，为保留指定行为性质的状态空间简化提供了可核对的方法路径，但其 EEG/BCI 适用性尚未验证。

1月1日周四
  1. OpenReview · State space models78

    高维状态空间模型中用于贝叶斯参数估计的粒子滤波

    基于摘要分析。本文研究大规模随机动态模型中的固定参数贝叶斯估计与动态状态跟踪，核心贡献是将一种新的嵌套粒子滤波方案应用于高维状态空间模型，并提供算法性能的理论保证。主要研究对象是气象与气候科学常用基准——随机版本的双尺度 Lorenz 96 混沌系统，而非 EEG 或 BCI 数据。 方法以嵌套粒子滤波联合处理固定模型参数的不确定性和随时间变化的动态变量。作者报告，理论结果包括固定参数后验概率密度近似的一致收敛速率。摘要未给出嵌套层的具体更新方式、粒子数量、系统维度、收敛速率表达式及其成立假设，因此尚不能判断理论保证如何随维度、观测噪声和计算预算变化。实验协议、对照方法、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务能够明确构建具有隐状态、固定未知参数和观测模型的随机状态空间表示，该方案可能用于同时估计潜在动态状态与模型参数；这只是机制对应假设，不代表 Lorenz 96 上的理论或结果能够直接迁移。可考虑复用联合参数与状态推断框架，但状态转移、观测模型和噪声假设需按 EEG 场景改造。EEG 的低信噪比、通道相关性、跨被试差异及有限观测可能造成参数不可辨识或粒子退化。 一个可检验的小实验是在参数真值已知、含 EEG 式观测噪声的低维模拟状态空间模型中，将嵌套方案与预先指定的标准粒子滤波参数估计方案比较，在相同计算预算下检查参数后验误差与状态跟踪误差，并改变观测噪声检验稳定性。该实验建议尚未实施，已有 EEG 相关工作也尚未检索确认；复现原论文仍需取得全文以核对模型方程、算法细节和理论条件。

    阅读价值：值得阅读的具体原因是其将嵌套粒子滤波用于高维混沌状态空间模型中的参数与状态联合估计，并给出固定参数后验近似的一致收敛速率保证；理论成立条件及其对 EEG 的适用性尚未验证。

1月1日周三
  1. OpenReview · State space models82

    平方指数协方差函数的状态空间近似：收敛性与精度

    基于摘要分析。本文研究采用平方指数（SE）协方差函数的高斯过程（GP）如何通过状态空间模型近似，以及这些近似的精度与收敛性。核心贡献是建立谱密度近似使均值函数与协方差函数一致收敛的一般条件，并据此分析既有近似和提出新的近似方案。 机制与理论：状态空间表示使 GP 回归可以通过 Kalman 滤波与平滑计算。摘要指出，这类算法的计算复杂度相对于训练样本数为线性，而常规 GP 方法为立方；这一比较针对样本规模，具体状态维数及近似阶数带来的计算开销尚未验证。作者报告，既有的倒数 Taylor 级数近似满足所推导的一致收敛条件；进一步提出基于指数函数 Padé 近似及受中心极限定理启发的近似，并证明其一致收敛。 精度与验证边界：作者报告对不同近似进行了数值精度比较，但摘要未提供具体误差、近似阶数、测试范围或运行时间，因此不能判断哪种方案在给定计算预算下更优。一致收敛是理论性质，不应直接等同于有限阶近似在所有实际数据上的高精度。具体定理条件、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务采用 SE 核 GP 进行时间序列回归，该机制可能缓解长序列下常规 GP 的计算开销。可复用的是谱密度近似与 Kalman 推断框架；多通道观测、观测噪声及核参数设定需按任务改造。低信噪比、跨被试差异与非平稳变化可能使 SE 核假设不适配，低阶近似也可能引入额外误差。一个可检验的小实验是在固定被试内数据划分、相同核参数和噪声设定下，对比精确 SE 核 GP 与不同阶数的状态空间近似，记录预测误差、预测不确定性差异及计算耗时。已有 EEG 相关工作尚未检索确认，该设想不构成已验证的 BCI 效果。

    阅读价值：该研究为 SE 核 GP 的状态空间近似提供统一收敛条件，并比较多种近似的数值精度，值得用于核对 Kalman 滤波与平滑实现的理论依据；其对 EEG/BCI 的适用性尚未验证。

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

    非线性 Latent Force Models 的状态空间推断及其在卫星轨道预测中的应用

    基于摘要分析。本文研究非线性 Latent Force Models（LFMs，潜在力模型）中难以解析求解的推断问题，核心贡献是将其表示为非线性白噪声驱动的状态空间模型，并利用非线性 Kalman filtering 与 smoothing 进行近似状态及参数推断。原论文的主要应用对象是动力系统建模与 GPS 卫星轨道长期预测，而非 EEG 或 BCI。 机制上，LFMs 将物理机理模型与非参数数据驱动成分结合，以描述仅靠机理模型难以充分刻画的动力过程。非线性使推断在解析上不可 tractable；作者提出的状态空间表示提供了使用滤波与平滑方法进行近似推断的路径。摘要未说明非参数成分的具体形式、状态空间转换条件、采用何种非线性 Kalman 方法，以及参数估计的实现细节，均尚未验证。 作者报告以两个模拟示例展示方法表现，并将其用于真实 GPS 卫星轨道的长期预测；摘要未提供误差指标、预测时长、数据划分、对照基线或运行成本，因此不能量化其精度或效率优势。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 研究中已有明确的神经动力学方程与观测模型，该机制可能用于联合估计隐状态和未知驱动，而不是直接替代 BCI 分类器。可复用的是机理模型与数据驱动成分结合的状态空间推断框架；需改造的是动力学、EEG 观测映射及噪声设定。其适用性依赖可辨识的机理结构和足够的时间序列观测，低信噪比、通道不足、跨被试差异和小数据可能使驱动估计不稳定。可检验的小实验是先在已知隐状态与驱动的模拟神经动力学数据上，比较该方法与纯机理状态空间模型的状态恢复及留出时间段预测误差，再逐步降低信噪比和通道数；这仅是迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其将非线性 Latent Force Models 转为白噪声驱动状态空间模型的推断路径，但具体近似方法、计算效率和轨道预测效果仍需全文核对，不能据此认定其对 EEG/BCI 有效。

1月1日周五
  1. OpenReview · State space models74

    度量空间中神经网络的构造性近似插值

    基于摘要分析。本文研究前馈神经网络（FNNs）如何在度量空间中对互异数据进行插值，主要贡献是针对解析激活函数与有界 sigmoidal 激活函数分别给出网络构造，并分析近似误差。作者报告，所构造的两类 FNNs 能以任意精度近似插值度量空间中的互异数据；这一结论针对插值能力，不等同于对未见数据的泛化保证。 对于解析激活函数，作者构造近似插值 FNN，并利用 Taylor 公式推导网络的近似误差。对于有界 sigmoidal 激活函数，作者分别构造精确插值与近似插值 FNN，并给出两者之间的误差。摘要未提供具体网络结构、构造规模、度量空间的适用条件、误差界表达式或数值验证，因此相关定理假设、计算成本、实验协议及统计信息尚未验证。 论文的主要研究对象是一般度量空间中的函数插值理论，而非状态空间模型或 EEG/BCI 解码。仅凭摘要，尚不能建立其与低信噪比神经信号、跨被试差异或小样本泛化之间的具体机制对应，也不能将任意精度插值解释为鲁棒性或解码性能提升。后续阅读全文宜重点核对数据与度量的条件、达到指定精度所需的网络规模，以及精确插值与近似插值构造的适用边界；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其针对两类激活函数给出度量空间中前馈神经网络的构造性插值及误差分析，可用于理解插值能力的理论条件，但摘要尚不能支持其对 EEG/BCI 的实际价值。

  2. OpenReview · State space models75

    用于 Hilbert 空间上泛函插值的神经网络

    基于摘要分析。本文研究 Hilbert 空间上的泛函插值，将通常在欧氏空间 R^n 中讨论的神经网络插值问题扩展到 Hilbert 空间。作者建立 Hilbert 前馈神经网络，并报告通过构造性证明给出直接确定网络权重和偏置的方法，区别于迭代训练算法。 技术上，摘要将所用非线性函数限定为有界、且在某一无穷远方向存在极限；具体函数类别、插值定理的完整假设及构造步骤尚未验证。这里的贡献是特定条件下的插值构造，而非已验证的预测泛化能力或训练效率提升。网络结构、插值节点条件、计算复杂度、数值误差，以及实验协议、消融及统计信息尚未验证，不能据此认定该方法优于迭代训练。 平台推测（待验证）：若将多通道 EEG 时间窗表示为 Hilbert 空间中的函数元素，该方法可能为从函数型输入到标量目标的插值提供数学参照，对应的是信号函数表示与小样本拟合问题，而非已证实的 BCI 解码改进。可考虑复用其参数构造思路，但需核对有限离散采样是否满足理论条件，并改造通道表示、噪声处理及目标定义。精确插值可能受 EEG 低信噪比、小数据、通道变化和跨被试分布差异影响；原问题成立不等于 EEG 上有效。一个可检验的小实验是：在核对全文条件后，对固定通道的被试内 EEG 标量预测任务采用相同训练与独立测试划分，比较构造式网络和迭代训练基线的测试误差及加噪稳定性，而不只比较训练点插值误差。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读的是其针对 Hilbert 空间泛函插值的构造性证明及直接求取网络权重和偏置的思路，但适用条件、数值稳定性与 EEG 迁移价值尚未验证。