跳到正文

算法、任务与模态

Efficient AI 最新动态

Efficient AI 研究索引；按可核对的标签归档，不以热度评价质量。

329 条精选近 30 天 138 条共收录 391 条

更新

精选归档 · 第 16 页

1月1日周一第 301–320 条
  1. OpenReview · State space models71

    RSMamba：基于状态空间模型的遥感图像分类

    基于摘要分析。该研究面向遥感图像场景分类，提出基于状态空间模型（SSM）的 RSMamba，旨在兼顾整幅图像的全局理解与线性建模复杂度；核心贡献是通过动态多路径激活机制增强 Mamba 对非因果二维图像数据的建模能力，而非提出 EEG 或 BCI 方法。 技术机制：摘要将遥感场景的复杂性、多样性及其时空分辨率变化列为分类难点。RSMamba 采用硬件感知的 Mamba 设计，在保留原有建模机制的同时，引入动态多路径激活，以应对原始 Mamba 的因果序列建模方式与二维图像结构之间的不匹配。路径如何构造、动态激活如何实现，以及训练目标和推理流程，摘要未提供细节，尚未验证。 结果与复现：作者报告，RSMamba 在多个遥感图像分类数据集上表现更优，但摘要未给出数据集名称、划分协议、对照配置、指标或数值，不能据此量化优势。作者据此提出其作为未来视觉基础模型骨干的潜力，这不等于已经完成基础模型验证。摘要表示代码将公开，当前可用性尚未验证；实验协议、消融及统计信息亦尚未验证。 平台推测（待验证）：若多路径机制确实能够减少单一序列顺序对建模的限制，则可能为离线 EEG 的时间—通道联合建模提供参考。可考虑复用 SSM 建模模块，但图像路径需改造成符合电极拓扑与时间结构的路径，分类输入和任务监督也需适配。低信噪比、通道布局变化、跨被试差异及小样本训练可能削弱收益；非因果建模还需与在线 BCI 的因果约束区分。一个可检验的小实验是在固定 EEG 数据划分、预处理及训练预算下，对照单路径 Mamba 与多路径变体，分别检查被试内和跨被试表现，并测试通道扰动下的稳定性。以上仅为机制迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是其以动态多路径激活机制扩展 Mamba 对非因果二维数据的建模能力，但性能优势及其对 EEG 的迁移价值仍需分别验证。

11月11日周六
  1. OpenReview · Representation learning78

    Mem-Rec：使用替代表示的内存高效推荐系统

    基于摘要分析。该研究针对深度学习推荐系统中高基数类别特征导致的巨大嵌入表存储与访问开销，提出替代表示方法 MEM-REC，以 Bloom filters 和哈希编码配合两张缓存友好的嵌入表，在压缩存储的同时保持推荐质量。 原论文的主要研究对象是推荐系统，而非 EEG 或 BCI。其背景是类别特征可能具有数千万种不同取值，常规做法为各类别存储可学习向量，使嵌入表规模达到数百 GB。MEM-REC 的第一张表为 token embedding，存储可学习的原始嵌入；第二张较小的表为 weight embedding，存储用于缩放原始嵌入的权重，以增强各数据点的区分能力。摘要称论文提供了架构、设计与分析，讨论准确性和计算需求之间的权衡，但具体哈希配置、编码与聚合过程、训练细节尚未验证。 作者报告，在 MLPerf CriteoTB benchmark 的 DLRM 模型上，MEM-REC 将模型大小压缩 2900 倍，嵌入操作最高加速 3.4 倍，同时达到与完整未压缩模型相同的 AUC。这里的加速针对嵌入操作，不能直接解释为端到端训练或推理加速；AUC 保持也不等同于所有推荐指标均保持。摘要提及与先进技术比较，但未提供具体对照方法、AUC 数值、硬件环境或数据划分，实验协议、消融及统计信息尚未验证。 复现时需核对模型大小的统计范围、嵌入延迟的测量条件，以及压缩配置与 AUC 的对应关系。该方法依赖大规模离散类别特征及嵌入表访问这一问题结构，摘要未提供其与连续 EEG 信号建模的具体对应关系，因此不能据此推断 BCI 有效性；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 MEM-REC 如何以双嵌入表和哈希编码降低大规模推荐模型的存储与访问成本，尤其是作者报告的压缩率、嵌入加速与 AUC 保持之间的权衡。

11月1日周三
  1. OpenReview · EEG71

    面向低功耗 EEG 认知负荷分析：一种神经形态计算方法

    基于摘要分析。该研究面向可穿戴边缘设备上的实时 EEG 认知负荷评估，以脉冲神经网络和神经形态计算降低深度学习模型的内存、计算与能耗需求。作者设计了两种脉冲网络架构，并在公开认知负荷数据集 EEGMAT 和 STEW 上进行测试。 核心思路是利用脉冲神经网络支持低功耗推理，回应电池供电、低计算能力和低内存设备的部署约束。摘要未披露 EEG 到脉冲的编码方式、网络结构、训练方法、损失函数或推理硬件，因此尚不能判断资源节省分别来自哪些机制，也不能确认其是否已在实际可穿戴 EEG 设备上验证。 作者报告，在 EEGMAT 和 STEW 的测试中，未对 EEG 信号进行伪迹去除，分类准确率与已有方法相当；但摘要未给出具体 Accuracy、对照方法、被试数及被试内或跨被试划分。作者还报告，相对既有方案，模型内存需求约降低 8 倍、计算成本约降低 10³ 倍，每次推理能耗最高为 0.33 μJ。摘要另称神经形态计算范式有望带来至少 10⁴ 倍的能耗降低，但未说明这一表述与模型实测结果的关系，不能将其直接视为已验证的设备级节能效果。 复现时需核对两个数据集的任务标签、分窗与划分协议、对照基线、脉冲编码及训练配置，并确认资源统计是否计入信号处理、编码和数据传输，以及能耗来自硬件测量还是估算。未进行伪迹去除这一实验条件，也不能单独证明模型对伪迹具有鲁棒性。实验协议、消融及统计信息尚未验证；认知负荷分类结果亦不等同于完整 BCI 系统的在线有效性。

    阅读价值：值得核对其脉冲神经网络在 EEG 认知负荷评估中的精度与资源开销权衡，尤其是能耗测量或估算条件及其与可穿戴设备部署的对应关系。

9月23日周六
  1. OpenReview · Representation learning74

    稀疏双曲表示学习

    基于摘要分析。该论文研究具有树结构的实体如何在双曲空间中获得更紧凑的表示，提出几何定义的稀疏性与稀疏正则化，以及基于 geometric shrinkage-thresholding 的优化算法，目标是为不同实体分别压缩表示维度，而非统一使用相同维度。 核心机制：双曲空间表示学习（HSBRL）可利用低维空间表达树状结构，但统一维度未必适合每个实体。作者指出，双曲空间不存在能完全反映其几何结构的典范坐标系，直接套用线性空间的坐标稀疏方法会产生几何上不均匀的稀疏性；同时，常规黎曼梯度下降在稀疏学习所需的非光滑目标上可能振荡。论文因此从几何角度定义稀疏性及正则化，并通过几何收缩阈值思路寻求稀疏解。作者声称这些定义与算法具有首次提出的性质，该优先性尚未独立核实。 证据边界：摘要未提供具体正则项、更新公式、数据集、比较基线、压缩率或信息保留指标，因此只能确认方法主张，不能确认其实际存储收益或表示质量。实验协议、消融及统计信息尚未验证；复现前需核对稀疏性的数学定义、有效维度与存储成本的关系，以及非光滑优化的适用条件。 平台推测（待验证）：若 EEG 任务中的实体或关系确有可验证的树状层级，稀疏双曲表示可能用于压缩这些结构的嵌入；这不等于原始 EEG 时序适合双曲建模。可复用部分是几何稀疏正则化与优化思路，需改造的是 EEG 特征到层级实体的映射及任务目标。低信噪比、跨被试差异和小数据可能使层级关系不稳定，过强稀疏化也可能删除判别信息。一个可检验的小实验是在固定跨被试划分与相同特征下，对比稀疏和非稀疏双曲嵌入的任务表现与实际存储成本，以检验压缩是否损害泛化。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其如何以几何方式定义双曲空间稀疏性，并用 geometric shrinkage-thresholding 处理非光滑优化；其压缩收益与 EEG 迁移价值尚未验证。

  2. OpenReview · Representation learning79

    缓解多视图表征学习的样本低效问题

    基于摘要分析。本文研究计算机视觉中非对比自监督学习（NC-SSL）的样本与计算效率，围绕 BarlowTwins 和 VICReg 为何常依赖高维投影头及同一图像的两个增强视图提供理论解释，并据此提出低维投影头正则化与增加每样本增强视图的预训练建议。 机制方面，作者认为特征正交性比投影头维度更关键，并报告适当正则化可使低维投影头获得良好表征；具体正则化形式及理论成立条件尚未验证。另一项理论分析指出，多个数据增强视图更能体现自监督目标的要求。作者报告，增加每个样本的增强数量可改善表征质量、可训练性和优化收敛，使较好的特征更早出现。 结果方面，作者报告，仅增加数据增强即可在保持 Accuracy 并改善收敛的同时，将预训练数据集规模最多缩减至原来的四分之一；摘要未给出该结果对应的数据集、增强数量、基线设置和具体 Accuracy。作者另报告，结合上述建议，在使用 ResNet-50 backbone 的 CIFAR-10/STL-10 实验中取得性能提升及 2 倍实际运行时间效率改进，但具体耗时、性能指标和比较条件尚未验证。实验协议、消融及统计信息尚未验证，需全文核对增强带来的额外计算成本如何计入效率比较。 平台推测（待验证）：迁移假设是，特征正交性约束及多视图自监督目标可能帮助缓解 EEG 小数据预训练中的表征冗余与收敛问题。可复用的是损失分析思路、投影头及多视图训练框架；需改造的是图像增强，转为能保留任务相关信息的 EEG 增强。该假设依赖同一样本不同视图共享有效信息，低信噪比、通道差异及跨被试分布变化可能使增强破坏标签语义或强化噪声。一个可检验的小实验是在固定被试划分和计算预算下，对比两个与更多增强视图，并交叉比较高维投影头和带正则化的低维投影头，观察收敛速度及下游任务 Accuracy。已有 EEG 相关工作尚未检索确认，原图像实验不构成 BCI 有效性证据。

    阅读价值：该研究将 BarlowTwins 与 VICReg 的损失隐式偏置联系到投影头维度和增强视图数量，为核对非对比自监督预训练的样本与计算效率提供了具体理论及实验线索，但其 EEG 适用性尚未验证。

9月22日周五
  1. 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。

  2. OpenReview · Representation learning74

    NAR-Former V2：重新审视用于通用神经网络表示学习的 Transformer

    基于摘要分析。该研究关注神经网络架构本身的表示学习，目标是在不实际训练或部署候选网络的情况下预测其属性，辅助网络设计与部署。作者提出 NAR-Former V2，以修改后的 Transformer 同时表示单元结构网络与完整网络。 方法先将网络视为图，通过 tokenizer 将其编码为序列，再将 GNN 的归纳表示学习能力引入 Transformer，以改善对未见架构的泛化；此外还提出若干面向图结构表示的修改。摘要未说明具体编码规则、归纳机制的实现、损失函数及这些修改的组成，不能据此判断其如何保留拓扑关系或处理不同规模的网络。 结果方面，作者报告：在 NNLQP 数据集的完整网络编码与延迟预测任务上，该方法明显优于 GNN 方法 NNLP；在 NASBench101 与 NASBench201 的单元结构网络准确率预测任务上，与其他先进方法取得高度可比的表现。摘要未提供具体分数、指标、划分或目标硬件条件，实验协议、消融及统计信息尚未验证。作者提供了代码链接，但代码可运行性与复现条件尚未核验。 平台推测（待验证）：迁移假设是利用架构表示预测器降低 EEG 候选网络的逐一训练与部署评估成本，而非直接学习 EEG 信号。可复用部分是架构图编码与属性预测框架；需核对 tokenizer 对 EEG 常用算子的支持，并收集任务特定的架构—性能或硬件延迟标签。原方法依赖架构图及其目标属性监督，所需数据规模尚未验证。EEG 的低信噪比、被试和通道差异，以及小样本评估波动，可能使准确率标签不稳定，削弱架构层面的泛化。一个可证伪的小实验是在固定 EEG 数据划分与训练预算下，为一组候选架构采集性能标签，按架构留出测试，与 GNN 预测器比较误差及排序一致性；这属于迁移验证建议，不是论文已完成的实验。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其将 GNN 的归纳表示学习能力融入 Transformer、统一处理单元结构与完整网络的机制，但用于 EEG 网络设计的价值尚未验证。

  3. 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。

1月1日周日
  1. 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。

  2. OpenReview · State space models73

    基于 ANN 状态空间模型的计算高效预测控制

    基于摘要分析。本文研究如何高效地将人工神经网络（ANN）辨识得到的非线性状态空间模型用于模型预测控制，而非神经信号解码。核心贡献是将 ANN 状态空间模型自动转换为线性参数变化（LPV）形式，再通过连续求解线性模型预测控制问题实现控制，每次求解对应一个二次规划（QP）。 机制与对照：作者指出，直接将 ANN 模型用于非线性模型预测控制（NMPC），可能因网络规模而产生复杂的非线性优化问题，还可能需要高阶观测器跟踪模型状态，且未充分利用模型结构及自动微分工具。所提方法以 LPV 表示和逐次线性预测控制求解替代直接非线性优化；作者还说明，带有状态编码器的 SUBNET 等已有 ANN 辨识方法可支持高效的 MPC 实现。具体转换公式、参数调度方式、状态编码器输入及在线求解流程尚未验证。 验证范围：作者报告通过不平衡圆盘系统的仿真展示该方法的性能。摘要未提供定量结果，无法据此判断相对直接 NMPC 的计算时间、跟踪误差或稳定性收益；仿真设置、对照基线、实验协议、消融及统计信息尚未验证。复现还需核对模型辨识数据、控制约束、预测时域、QP 求解器及计算环境。 平台推测（待验证）：若闭环 BCI 的受控对象能够由输入—状态—输出动力学描述，且 ANN 状态可可靠估计，这种转换机制可能用于降低在线控制求解负担；这不等于改善 EEG 解码。可复用部分是模型转换与 QP 控制流程，需改造部分是神经观测到控制状态的估计以及安全约束。低信噪比、通道变化、跨被试差异与小数据可能使状态估计或动力学辨识失准。一个可检验的小实验是在同一已辨识模型、约束及计算环境下，对比直接 NMPC 与该方法的求解时间、跟踪误差和约束违例，并加入观测噪声测试。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其将 ANN 状态空间模型自动转换为 LPV 形式、以连续求解二次规划降低预测控制计算负担的机制，但摘要仅提供不平衡圆盘系统仿真，实际效率与闭环性能尚需核对全文。

  3. OpenReview · Representation learning74

    LightPath：轻量化且可扩展的路径表示学习

    基于摘要分析。本文研究智能交通与智慧城市中的运动路径表示学习，提出 LightPath，旨在为路径排序、出行成本估计等下游任务提供紧凑表示，同时降低资源消耗、提升可扩展性并保持准确性。研究对象是运动路径，而非 EEG 或 BCI。 方法包含三个部分：稀疏自编码器用于改善框架随路径长度增长的可扩展性；关系推理框架用于加快训练并提高稀疏路径编码器的稳健性；全局—局部知识蒸馏用于进一步缩小编码器并改善性能。摘要未披露稀疏化方式、关系构造、蒸馏目标、损失函数及训练和推理细节，不能据此判断具体计算复杂度或压缩幅度。 作者报告在两个真实世界数据集上开展了实验，以评估效率、可扩展性和有效性，但摘要未给出数据集名称、数据规模、划分、对照基线或量化结果。因此，“不影响准确性”应视为框架目标，而非已由所给材料核实的实验结论；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 可被组织为保留时序关系的片段序列，LightPath 的稀疏编码与知识蒸馏思路可能用于探索长序列表示的计算开销瓶颈。可复用的候选模块是压缩编码和蒸馏框架，但路径输入、关系定义以及全局—局部监督需针对 EEG 改造；原方法依赖的数据结构、监督方式与训练规模尚不明确。低信噪比可能使稀疏化丢失短暂判别信息，被试及通道差异可能削弱关系建模，小数据也可能限制蒸馏收益。取得实现后，可在固定 EEG 数据划分和相同下游评估协议下，对比未压缩编码器与压缩版本的任务指标、推理延迟和显存占用，检验压缩是否损害表示质量。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其以稀疏自编码器、关系推理和全局—局部知识蒸馏兼顾路径表示质量与资源消耗的机制，但摘要未提供具体性能或开销指标，其向 EEG 表示学习的迁移价值尚未验证。

  4. OpenReview · Representation learning74

    LightPath：轻量且可扩展的路径表示学习

    基于摘要分析。本文研究智能交通与智慧城市中的移动路径表示，目标是为路径排序、出行成本估计等下游任务生成紧凑表示，同时降低资源消耗并提高可扩展性。作者提出 LightPath，将稀疏自动编码器、关系推理和全局—局部知识蒸馏结合，尝试在保持准确性的同时实现轻量化；原研究对象是移动路径，而非 EEG 或 BCI。 机制上，稀疏自动编码器用于改善模型随路径长度增长的可扩展性；关系推理框架用于加快训练并增强稀疏路径编码器的稳健性；全局—局部知识蒸馏进一步缩小编码器并改善性能。摘要未给出稀疏化方式、关系构造、蒸馏目标或损失形式，因此尚不能判断各模块的具体实现与贡献。 作者报告在两个真实世界数据集上开展了实验，考察效率、可扩展性和有效性，但摘要未提供数据集名称、划分、对照基线、指标或具体数值。资源消耗的计量方式、路径长度范围、实验协议、消融及统计信息尚未验证，不能据此确认其在何种条件下实现了准确性与计算开销的兼顾。 平台推测（待验证）：若 EEG 被组织为时间片段序列，稀疏编码与知识蒸馏可能对应长序列计算开销和端侧部署的瓶颈。可考虑复用压缩与蒸馏思路，但路径输入表示、关系构造及全局—局部目标需针对 EEG 改造；原方法对路径结构、监督信号和数据规模的依赖尚未明确。低信噪比下稀疏化可能丢失短暂判别信息，跨被试差异、通道变化及小数据也可能削弱关系学习或蒸馏效果。一个可证伪的小实验是在固定 EEG 任务与相同被试内划分下，对比未压缩编码器和加入稀疏化、蒸馏的版本，同时记录 Accuracy、推理延迟与内存开销，检验压缩是否造成明显性能损失。已有 EEG 相关工作尚未检索确认，这一实验仅用于检验迁移假设，不代表原论文已证实 BCI 效果。

    阅读价值：值得阅读其结合稀疏自动编码器、关系推理与全局—局部知识蒸馏来兼顾路径表示质量和资源开销的设计，但具体效率收益及向 EEG 迁移的可行性尚未验证。

  5. 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。

  6. 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。

  7. OpenReview · Representation learning74

    LightPath：轻量且可扩展的路径表征学习

    基于摘要分析。本文研究智能交通与智慧城市中的移动路径表征学习，目标是在路径排序、出行成本估计等下游任务中，以较低资源消耗获得紧凑且有效的路径表示。作者提出 LightPath，将轻量化和可扩展性作为核心设计目标，而非仅优化任务精度；其主要研究对象是移动路径，不是 EEG 或 BCI。 方法包含三个部分：首先以稀疏自编码器改善框架随路径长度增长的可扩展性；其次引入关系推理框架，以加快训练并增强稀疏路径编码器的稳健性；最后通过全局—局部知识蒸馏进一步缩小编码器并改善性能。摘要未说明稀疏性的实现方式、关系构建规则、蒸馏目标与损失，因此不能据此判断具体计算复杂度或压缩比例。 作者报告在两个真实世界数据集上开展了实验，用于评估效率、可扩展性与有效性。摘要未提供数据集名称、划分方式、对照基线、硬件条件或量化指标；降低资源消耗而不影响精度是其设计目标，尚不能从当前材料核对实际达成程度。实验协议、消融及统计信息尚未验证，代码可用性也尚未验证。 平台推测（待验证）：若路径编码机制可推广至一般长序列，稀疏编码与全局—局部蒸馏或可用于探索长时段 EEG 表征的资源压缩。但原方法依赖何种路径结构、监督信号和训练规模尚不明确，不能直接将道路路径关系等同于 EEG 时序或通道关系。编码压缩与蒸馏思路可能可复用，输入表示及关系构建需改造；低信噪比、跨被试差异、通道变化和小数据可能使稀疏编码丢失弱任务信号。可检验的小实验是在固定 EEG 数据划分与同一教师模型下，比较稀疏编码和蒸馏前后的任务指标、推理延迟及内存占用，以核对压缩与性能的权衡。相关 EEG 工作尚未检索确认。

    阅读价值：值得关注的是 LightPath 将路径长度可扩展性、训练效率与编码器压缩分别对应到稀疏自编码器、关系推理和全局—局部知识蒸馏，但具体资源收益、精度权衡及 EEG 适用性尚未验证。

  8. 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。

  9. 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），并据此构建高效变体 ConvS5；主要研究对象是时空序列预测与生成，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。作者将并行扫描用于卷积递推，以实现次二次复杂度的并行化与快速自回归生成，并建立 ConvSSM 与 SSM 动力学之间的等价关系，用于指导长程依赖建模的参数化和初始化。摘要未提供具体状态结构、损失、训练流程或复杂度推导细节。 作者报告，在长预测时域的 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；这些倍率仅对应所述实验背景，硬件、序列长度、模型规模及计时口径尚未验证。作者还报告，在 DMLab、Minecraft 和 Habitat 预测基准上，其表现达到或超过当时先进方法；具体指标、数据划分、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 通道间关系能够表示为适合卷积的空间结构，张量状态与长程递推可能用于联合建模通道相关性和长时间上下文。可考虑复用卷积状态递推与并行扫描，但需改造通道空间表示、输入编码及任务输出；不规则电极布局、跨被试差异、低信噪比和小数据可能削弱其优势。一个可检验的小实验是在固定 Cross-subject 划分与训练预算下，对比 ConvS5、ConvLSTM 和 Transformer 在不同 EEG 窗口长度上的同一任务指标、训练耗时及推理耗时，并核对空间卷积是否带来稳定增益。此为迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其卷积递推的并行扫描及与 SSM 动力学的等价关系，这为兼顾空间结构与长程依赖提供了具体方法路径，但摘要中的效率优势及其 EEG 适用性仍需分别验证。

  10. OpenReview · State space models77

    使用状态空间 Transformer 进行高效电影场景检测

    基于摘要分析。研究针对电影场景检测需要跨越长视频片段进行推理、而常见视频识别模型侧重短时分析的问题，提出可端到端训练的 TranS4mer，以分层的局部与长程建模捕获电影场景线索。原论文研究对象是电影视频，并非 EEG 或 BCI。 核心模块 S4A 结合 structured state-space sequence（S4）与自注意力（A）。输入为已划分为镜头的帧序列：模块先通过自注意力捕获镜头内部的短程依赖，再用状态空间运算聚合镜头之间的长程线索；多个 S4A 模块堆叠构成 TranS4mer。其机制依赖帧—镜头的层级结构，区别于仅对短视频片段建模的方案。具体监督信号、损失函数、模块数量、训练规模与镜头划分方式尚未验证。 作者报告，TranS4mer 在 MovieNet、BBC 和 OVSD 三个电影场景检测数据集上优于此前方法；相较标准 Transformer，速度为其 2 倍，所需 GPU 显存约为其三分之一。摘要未给出检测指标、数据划分、基线配置及测速硬件、序列长度等条件，因此这些结果不能脱离原评估协议比较。实验协议、消融及统计信息尚未验证。作者表示将发布代码和模型，材料不能确认其已公开。 平台推测（待验证）：迁移假设是，将 EEG 长记录划为局部时间窗，以自注意力处理窗内关系、以 S4 聚合跨窗依赖，可能缓解长序列全局注意力的计算负担。可复用的是局部—长程分工，需改造视频特征输入、分段策略及任务输出，并重新设计监督目标。EEG 缺少天然镜头边界，低信噪比、跨被试差异、通道配置变化及小数据训练均可能使该结构失效。可检验的小实验是在同一 EEG 数据划分与训练预算下，对比该结构、纯自注意力及纯 S4，检验长上下文是否带来任务指标收益，并记录显存与运行时间；这不是原论文已证实的结论，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其以镜头内自注意力与镜头间状态空间运算分工处理长视频的机制；作者报告了效率优势，但能否迁移到 EEG 长序列建模尚未验证。

  11. 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。

  12. OpenReview · State space models72

    无需采样的概率深度状态空间模型

    基于摘要分析。本文研究未知参数形式的动态系统建模，提出用于概率深度状态空间模型（ProDSSM）的确定性推断算法，以支持训练和测试阶段的高效近似计算。作者报告，该方法可用于多种任务，并在预测性能与计算预算之间取得更优的平衡，但摘要未提供具体任务、对照方法或量化结果。 核心机制：状态空间模型（SSM）以潜在状态描述系统演化，潜在状态遵循一阶马尔可夫动态，每个观测由相应潜在状态生成。ProDSSM 使用具有不确定权重的神经网络描述状态转移与观测生成模型，从而表达未知形式的动态规律及模型不确定性。本文的贡献集中于这类模型的确定性近似推断；“首次”属于作者声明，尚未独立核实。摘要未说明不确定性分布、近似传播方法、训练目标及推理细节，不能据此判断具体实现。 证据边界：数据集、样本规模、训练与测试划分、计算预算的计量方式、对照基线、实验协议、消融及统计信息尚未验证。复现需取得正文及实现信息，核对近似误差、计算开销与预测性能是否在相同协议下评估。 平台推测（待验证）：若 EEG 任务可表述为潜在状态驱动的时序预测，确定性近似推断可能有助于降低不确定性建模的计算成本。可考虑复用状态转移与不确定性推断机制，但需改造观测模型以适配多通道 EEG，并核对其对时序连续性、监督形式与数据规模的要求。低信噪比、跨被试差异、通道变化及小数据可能使状态估计或不确定性近似失准。一个可检验的小实验是在固定被试内 EEG 时序划分下，以相同模型和训练预算比较该方法与采样推断的预测误差、不确定性校准及运行时间；这只是迁移假设，并非本文已验证的 EEG 结果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其如何在神经网络权重不确定的状态空间模型中实现无需采样的近似推断，以及作者报告的预测性能与计算预算权衡；其 EEG 适用性尚未验证。