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。

1,258 条精选近 30 天 296 条共收录 1,492 条

更新

精选归档 · 第 58 页

1月1日周六第 1141–1160 条
  1. OpenReview · State space models75

    用于高效音乐节奏分析的新型一维状态空间

    基于摘要分析。本文研究音乐中的节拍、小节首拍、速度与节拍类型的联合跟踪，提出新的状态空间及半马尔可夫模型，以降低大规模音乐分析的计算成本。其主要贡献是利用 jump-back reward 策略，将常用二维状态空间转化为一维模型，而非提出面向 EEG 或 BCI 的算法。 核心机制：作者通过改变状态空间表示及跳回奖励策略，大幅缩小状态空间，并将该方法用于因果联合跟踪。摘要未给出状态变量定义、跳回奖励的数学形式、观测模型及推理实现，因此尚不能判断压缩过程中如何保留节拍位置、速度和节拍类型之间的约束，也不能将其等同于现代神经状态空间模型。 结果与证据边界：作者报告，相对于此前的联合因果模型，该方法取得相近性能，同时使用更小的状态空间并实现超过 30 倍加速。摘要未提供数据集、划分、具体性能指标、对照方法名称、硬件或计时范围；该加速结论仅能保留在作者描述的联合因果跟踪比较背景下。实验协议、消融及统计信息尚未验证，不能据此判断不同音乐风格或节拍变化条件下的稳健性。 平台推测（待验证）：其可迁移价值可能在于周期性事件在线跟踪中的状态压缩，而不是直接复用音乐识别结果。一个假设是，在显式建模相位与频率的 SSVEP 跟踪中，类似策略可能降低搜索成本；可借鉴状态压缩思路，但观测模型、频率约束和奖励设计需针对 EEG 改造。低信噪比、跨被试幅相差异及通道变化可能破坏状态压缩所依赖的结构。可在固定数据划分和相同 EEG 观测模型下，对比二维状态跟踪与压缩表示的识别准确率、延迟及状态数量，以检验是否存在计算收益而不损害识别。上述对应关系尚未验证，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通过 jump-back reward 压缩联合节奏跟踪的状态空间，作者报告在因果推理设置下获得超过 30 倍加速；性能与计算成本的权衡仍需核对全文实验协议。

  2. OpenReview · State space models77

    AMP：具备异构性感知能力的模型并行策略自动搜索

    基于摘要分析。本文研究大模型训练中模型并行策略依赖分布式系统专家设计的问题，提出 AMP 框架，自动寻找适配模型架构与集群配置的执行策略。主要贡献是将模型与硬件环境的异构性纳入成本模型，以支持层间负载不均的模型以及加速器和通信带宽不同的集群。 机制上，AMP 先确定有效的模型并行策略空间，再利用成本模型高效搜索高性能策略。其研究对象是分布式训练的执行效率，而非模型预测性能或神经信号解码方法。摘要未披露策略空间的具体组成、成本模型形式、搜索算法及系统实现细节，这些内容尚未验证。 作者报告，在所评估的常用模型与公有云集群配置上，AMP 找到的策略在典型集群中可达到专家调优策略的性能；在异构集群和具有异构架构的模型两类评估条件下，相较所比较的最先进模型并行系统，吞吐量分别达到 1.54 倍和 1.77 倍。摘要未提供模型名称、集群规格、具体基线、吞吐量计量口径及搜索开销，实验协议、消融及统计信息尚未验证，不能据此推断所有训练环境都会获得同等收益。 平台推测（待验证）：若 EEG 基础模型训练确实受到多设备负载不均或通信带宽差异限制，AMP 的异构性感知成本建模与策略搜索可能具有系统层面的复用价值；需适配实际模型算子、序列长度、设备内存及通信配置。该假设不涉及 EEG 解码有效性：小数据训练或较小模型可能无法摊薄策略搜索与通信开销，低信噪比、跨被试及通道差异也不会因并行策略优化而自动解决。可在固定模型、数据划分和训练预算下，对比 AMP 与人工配置的吞吐量、峰值显存及搜索耗时，同时核对训练结果是否一致。相关 EEG 应用尚未检索确认。

    阅读价值：AMP 将模型层间差异与集群硬件、带宽异构性纳入并行策略搜索，值得用于评估异构资源上的大模型训练效率，但摘要报告的吞吐量优势及其对 EEG 训练的适用性仍需核对。

  3. OpenReview · EEG72

    实时生物信号记录与机器学习分析系统

    基于摘要分析。该研究面向生物信号记录与处理系统难以实时执行复杂机器学习分析的问题，提出集信号采集、控制与可视化、FPGA 机器学习加速于一体的系统。主要贡献是可扩展的软硬件处理平台，而非新的 EEG 解码算法。 系统由生物信号采集前端、控制与可视化中心及 FPGA 加速板组成，通过高速 Ethernet 和 PCIe 接口提升数据传输能力；FPGA 内的加速器采用单指令多数据（SIMD）模式，并行执行机器学习运算。摘要未提供具体网络结构、数值精度、资源占用或各环节耗时，相关实现细节尚未验证。 作者报告，系统验证覆盖三类应用：采用 CNN 的 EEG 癫痫发作预测、采用 SNN 的 EMG 手势识别，以及采用 BNN 的 ECG 心律失常检测。作者报告，在采样率为 512 Hz、32 通道、输入为一秒电生理信号的条件下，系统处理耗时为 13 ms，并据此认为达到实时性能。摘要未明确该耗时对应哪项任务，以及是否包含采集、传输、预处理和结果输出，因此不能直接将其视为完整闭环延迟，也不能据此判断各任务的预测或识别性能。 作者称系统开源且可扩展，可针对不同应用配置机器学习方法；开源内容与复现条件尚未验证。用于 BCI 系统选型时，应进一步核对数据集与被试信息、训练和测试划分、任务指标、硬件与软件基线、功耗及端到端延迟。实验协议、消融及统计信息尚未验证。EEG 癫痫发作预测属于摘要中的验证应用，不等同于已验证运动想象或其他 BCI 控制任务。

    阅读价值：值得关注其采集前端、高速传输与 FPGA 推理加速的一体化设计；作者报告了明确输入规模下的处理耗时，但用于评估闭环 BCI 可行性时仍需核对端到端延迟与任务性能。

  4. OpenReview · State space models72

    用于 Schema-Guided Dialogue State Tracking 的多任务 BERT 模型

    基于摘要分析。该研究面向任务导向对话系统的 Dialogue State Tracking（DST），提出单一多任务 BERT 模型，联合完成意图预测、请求槽位预测和槽位填充，并通过精简编码对话历史与服务 schema 改善性能和计算效率。研究对象是对话状态跟踪，而非时序 state space model 或 EEG/BCI 解码。 核心机制是将三个相关 DST 任务纳入同一个 BERT 模型，并减少对话历史与服务 schema 的输入表示开销。作者指出，既有部分 schema 引导方法依赖多个大型 Transformer 模型和较长输入序列；本文以单模型和精简编码回应这一问题。摘要未说明任务输出结构、损失组合、编码规则及训练流程，这些细节尚未验证。 作者报告，在 SGD dataset 上，该方法明显优于基线 SGP-DST，与当时最先进方法相比表现良好，同时计算效率显著提高。摘要未提供具体指标、数值、数据划分或效率测量条件，因此不能量化性能差距，也不能据此确认零样本新域泛化的具体效果。作者报告进行了广泛消融，以分析模型成功的影响因素；消融设置、实验协议及统计信息尚未验证。 复现时应重点核对多任务训练的具体实现、schema 与对话历史的编码方式、SGD 的评估划分，以及性能和计算成本是否在一致条件下比较。材料没有给出该文本语义机制与 EEG 信号建模的具体对应关系，不能据此认定其具有 BCI 有效性；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是单一多任务 BERT 与精简输入编码如何兼顾 Schema-Guided Dialogue State Tracking 的预测性能和计算效率，但具体收益与泛化协议尚需全文核对。

  5. OpenReview · State space models73

    面向 One-Shot 神经架构搜索的搜索空间渐进式自动设计

    基于摘要分析。本文研究 One-Shot Neural Architecture Search（NAS）中权重共享评估与独立训练表现不一致的问题，提出 Progressive Automatic Design of search space（PAD-NAS），通过渐进式操作剪枝自动构建逐层操作搜索空间，同时在搜索过程中考虑硬件平台约束。 核心机制是改变各层共享相同候选操作空间的设计：PAD-NAS 采用基于操作剪枝的渐进式搜索策略，为不同层形成各自的操作搜索空间，目标是在搜索空间质量与模型多样性之间取得平衡。摘要未说明剪枝依据、阶段安排、权重训练方式或硬件约束的具体实现，这些细节尚未验证。 作者报告，在 ImageNet 上的广泛实验中，该方法达到当时的 state-of-the-art 表现；摘要没有给出具体指标、数值、对照方法、数据划分或硬件条件，因此无法核对效果幅度，也无法确认其是否直接改善了共享权重评估与独立训练之间的架构排名一致性。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 架构搜索同样存在共享权重导致的候选排序不稳定，逐层操作剪枝可能具有复用价值，但这只是假设，ImageNet 结果不等于 BCI 有效性。可复用的是渐进式搜索空间设计；候选操作、输入表示与硬件约束需针对 EEG 时空结构改造。低信噪比、小数据及跨被试差异可能使剪枝依据不稳定，过早排除有效结构。一个可检验的小实验是：在固定 EEG 数据划分与搜索预算下，对比统一操作空间与逐层渐进剪枝，核对候选架构的共享权重评分和独立训练表现的排名一致性，并分别报告被试内或跨被试结果。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的具体原因是 PAD-NAS 通过渐进式操作剪枝构建逐层搜索空间，针对权重共享评估与独立训练表现不一致的问题提供了可核对的方法路径，但其排名可靠性及 BCI 适用性尚未验证。

  6. OpenReview · State space models72

    预算约束下的非短视蒸馏数据关联信念空间规划

    基于摘要分析。本文研究感知混淆环境中自主智能体的数据关联与未来动作规划问题，提出一种考虑数据关联的计算高效非短视信念空间规划方法，并分析推断与规划中的计算预算约束所带来的影响。主要研究对象是自主智能体的状态与环境估计及动作规划，并非 EEG 解码或 BCI。 在此类环境中，不同位置或对象可能产生相似观测，智能体需要维护多个关联假设，以表示自身及环境状态的不确定性。若在规划中显式考虑所有可能的数据关联，假设数量会随规划时域呈指数增长，使信念空间规划难以求解。硬计算预算还可能迫使推断和规划裁剪不可忽略的假设。摘要指出，既有工作通常分开处理这两个过程，而本文关注一个过程中的预算限制如何影响另一个过程。 作者报告提出了计算高效的求解方法，并对推断和规划中的预算影响进行了严格分析，但摘要未提供具体蒸馏机制、目标函数、预算分配策略、理论界或量化实验结果。因此，尚不能判断其效率收益、规划质量与近似误差之间的权衡；实验协议、消融及统计信息尚未验证。 该方法依赖可维护的数据关联假设和面向未来动作的信念状态规划结构，不能仅凭“状态空间”或多假设表示推定其适用于 EEG/BCI。现有材料不足以建立具体迁移路径，相关 EEG 工作尚未检索确认。复现前需取得全文，核对假设表示与裁剪规则、预算定义及推断—规划耦合方式。

    阅读价值：值得阅读之处在于将数据关联中的多假设推断与非短视规划置于共同的计算预算约束下，分析两者裁剪假设时的相互影响；具体方法及验证结果尚需全文核对。

  7. OpenReview · State space models75

    解析 NPU 的映射空间探索

    基于摘要分析。本文研究如何为深度神经网络（DNN）寻找在加速器上的优化映射，重点不是提出另一种 mapper，而是系统比较现有 mapper 使用的搜索技术，并提出可增强现有方法的 warm-start 与 sparsity-aware 技术。 映射空间探索的计算开销很高，已有研究采用启发式及学习方法降低搜索成本。作者指出，不同搜索技术如何探索映射空间、不同映射轴如何影响加速器性能与效率，仍缺乏系统认识。随着神经架构搜索带来的不规则 DNN 以及稀疏 DNN 出现，映射空间进一步复杂化。本文针对这一问题进行同条件比较；“首次此类比较”是作者的主张，尚未独立核实。 作者报告，基于比较所得认识提出的 warm-start 与 sparsity-aware 技术，在多种 DNN 模型上展示了加速、可扩展性与鲁棒性。但摘要未提供具体模型、硬件配置、搜索预算、对照方法或量化指标，也未明确加速所指的是搜索过程还是映射后的执行性能；两种技术的具体机制、实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但代码完整性与复现条件尚未核查。 本文主要研究对象是 DNN 到加速器的映射搜索，而非 EEG 解码、BCI 或状态空间模型；不能根据来源栏目将其视为相关算法成果。材料未建立对 EEG/BCI 的具体机制对应关系，因此不据此提出迁移效果或复现实验建议。

    阅读价值：值得阅读的是对不同 DNN 加速器映射搜索技术进行同条件比较的思路，以及可增强现有 mapper 的 warm-start 与 sparsity-aware 技术；其具体收益和适用边界仍需全文核对。

  8. OpenReview · State space models73

    用于从噪声—模糊图像对快速复原图像的内容保持尺度空间网络

    基于摘要分析。本文研究低光照手持摄影中的图像复原：高 ISO 拍摄容易产生噪声，长曝光拍摄容易产生模糊；作者提出以噪声图像与模糊图像组成的图像对为输入，利用深度学习和尺度空间表示恢复潜在清晰图像，重点降低双图像复原的计算开销。 方法在不同尺度分配不同网络深度：对较高尺度空间使用较浅网络，对最低尺度使用较深网络。作者另提出用于降采样与插值的内容保持尺度空间变换，以替代既有尺度空间方法中的双三次插值。摘要未说明尺度定义、变换实现、图像对融合方式、训练监督或损失函数，尚不能据此还原完整架构。这里的 scale space 指图像尺度空间，不能因来源栏目名称而将其归为 State Space Models。 作者报告，该方法相较其对照的先进方法，在降低计算复杂度的同时取得先进复原结果；作者还报告，相较基线，计算效率可改善 90%，仅伴随轻微 PSNR 下降。摘要未提供该效率指标的定义、基线名称、硬件、图像分辨率或具体 PSNR 数值，因此不能将其解释为推理时间缩短 90% 或固定倍数加速。数据集、划分、实验协议、消融及统计信息尚未验证。 研究对象是自然图像的噪声—模糊成对复原，并非 EEG 或 BCI。其输入互补性与二维尺度结构尚无材料支持可直接对应神经信号处理，不能据此认定存在 BCI 效果；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其利用噪声图像与模糊图像的互补信息、通过尺度空间变换和差异化网络深度降低复原计算开销的机制，但效率收益的具体度量与基线配置尚需全文核对。

  9. OpenReview · State space models72

    卷积滤波器空间中的几何结构能否提供滤波器冗余信息？

    基于摘要分析。本文研究 CNN 滤波器空间的几何结构能否反映单个滤波器的重要性或冗余度，提出用单纯形中的位置描述滤波器相关性，并将这一假设用于已训练 CNN 的不依赖数据的滤波器排序和人工滤波器构造。 核心机制是利用单纯形极点的凸组合能够张成整个单纯形这一几何性质。作者据此假设：靠近用于建模滤波器空间的单纯形极点的滤波器冗余度较低，反之则冗余度较高。需要区分的是，极点的几何表示作用并不直接等同于滤波器对预测任务的重要性，二者之间的关系正是本文试图通过实验检验的内容。 作者报告，在 ResNet-50、VGG-16 等 CNN 架构上的实证分析支持该位置相关性假设。摘要未提供具体数据集、任务、排序对照、性能指标或人工滤波器构造后的定量结果，因此无法判断收益幅度及适用边界；单纯形拟合方式、距离定义、构造流程、实验协议、消融及统计信息尚未验证。“不依赖数据”描述的是滤波器排序用途，不意味着原 CNN 的训练不需要数据。 平台推测（待验证）：若 EEG 卷积模型的滤波器也存在可稳定识别的单纯形结构，该方法可能用于研究滤波器冗余及模型压缩。可复用的是几何位置排序思路，需要改造或核对的是 EEG 时域、空间滤波器的表示、尺度处理及重要性验证方式。低信噪比、通道差异与小数据训练可能使参数空间中的极端位置无法对应稳定的任务贡献。一个可证伪的小实验是在固定 EEG 模型与数据划分下，对比几何排序、随机排序和权重范数排序，逐步移除相同数量的滤波器，观察任务指标下降及跨训练种子的稳定性。该假设不构成已证实的 EEG/BCI 效果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对的是单纯形中的滤波器位置能否可靠表征冗余度，以及这一几何假设如何支持不依赖数据的滤波器排序；其在 EEG 模型中的适用性尚未验证。

  10. OpenReview · EEG74

    用于基于 EEG 的听觉注意检测的神经启发式架构

    基于摘要分析。该研究针对嘈杂场景中从 EEG 识别听者所关注声源的听觉注意检测（AAD）问题，提出一种模仿脑内神经计算与编码策略的神经启发式架构，旨在兼顾检测准确率、计算成本与低延迟，面向神经引导助听器应用。 方法方面，作者将生物计算机制作为解码器设计依据，并通过数据可视化及两个公开数据库上的实验进行验证。摘要未说明具体编码方式、网络结构、训练目标、输入表征或是否需要声源信号，因此尚不能判断其计算节省来自哪些模块，也不能将可视化结果等同于对生物机制的充分验证。 结果方面，作者报告，在 KUL 和 DTU 数据库上，该架构在 1–5 秒决策窗范围内的检测 Accuracy 均优于所比较的线性模型和 CNN 模型；但其 Accuracy 低于时空频谱特征模型 SSF-CNN。作者同时报告，其计算成本不足 SSF-CNN 的 1%。摘要未给出具体 Accuracy、计算成本口径及被试内或跨被试等划分协议，因此上述结论仅适用于文中尚待核对的评估条件，不能扩展为跨被试泛化能力或实际设备延迟的结论。 作者进一步主张该解码器更适合硬件实现且更节能。评估其实际应用价值时，需核对计算成本与能耗的测量方式、决策窗之外的端到端延迟，以及不同模型是否采用一致输入和测试条件。实验协议、消融及统计信息尚未验证；摘要亦不足以确认实际助听设备上的部署表现。

    阅读价值：该研究值得关注的具体价值是比较 EEG 听觉注意检测中短决策窗准确率与计算成本的权衡，但其硬件友好和节能优势仍需结合全文中的测量协议核验。

  11. OpenReview · State space models73

    为硬件加速器设计学习连续且可重构的潜空间

    基于摘要分析。本文研究硬件加速器设计空间高维、离散且搜索复杂度随设计选择呈指数增长的问题，提出基于 variational autoencoder（VAE）的设计空间探索框架 VAESA，通过学习低维连续表示来辅助搜索，并将潜空间中的优化结果重构为实际硬件设计；主要研究对象是硬件设计空间，而非 EEG 解码或 BCI 算法。 核心机制是将硬件设计编码到紧凑的连续潜空间，使黑盒搜索和基于梯度的设计空间探索算法能够在该空间中运行，再把优化后的潜变量重构为硬件设计。其方法价值在于尝试同时解决搜索空间离散性与优化结果可重构性，而不只是进行降维。摘要未提供设计变量、训练数据构造、VAE 损失、性能评估方式及约束处理细节，尚不能判断连续潜空间如何保持硬件可行性。 作者报告，在固定采样次数的实验条件下，潜空间搜索能够持续找到最优设计点；相较原始算法，样本效率可提高 6.8 倍；相较直接在高维输入空间中搜索得到的最优设计，发现的硬件设计效率最高提升 5%。摘要未明确这些结果对应的工作负载、搜索算法、采样预算，以及“效率”的具体指标，因此不能将其解释为已验证的能耗、延迟或吞吐量收益，也不能认定为全局最优保证。 复现时需核对设计空间边界、性能测量或模拟条件、搜索预算与基线对齐方式，以及重构设计的有效性。实验协议、消融及统计信息尚未验证。材料未提供与 EEG/BCI 的具体对应关系，不据此推断其在神经信号任务中的效果。

    阅读价值：值得阅读的是 VAESA 将离散硬件设计映射到可重构连续潜空间的搜索机制，可重点核对其样本效率收益、设计可行性与直接搜索基线的评估协议。

  12. OpenReview · EEG83

    NeuralTree：面向多用途神经活动分类与闭环神经调控的 256 通道、0.227 μJ/次分类 SoC

    基于摘要分析。该研究针对高密度闭环神经接口中通道数与可扩展性受限的问题，提出集成神经信号采集、NeuralTree 分类处理器和神经刺激器的片上系统（SoC），旨在兼顾疾病状态检测、硬件能效与闭环神经调控。 采集端采用 256 通道时分复用（TDM）前端，结合两步快速建立的混合信号直流伺服环路（DSL），支持高空间分辨率记录与通道选择性脑状态推断。树结构神经网络 NeuralTree 面向患者与疾病特异性提取神经生物标志物，并通过能量感知学习算法权衡检测性能与能耗；摘要未提供具体网络结构、损失函数或训练流程。刺激端为 16 通道高压顺应性神经刺激器，通过电荷平衡双相电流脉冲提供刺激。 作者报告，该 SoC 采用 65 nm CMOS 工艺制造，分类能耗为 0.227 μJ/次分类，面积为 0.014 mm²/通道。对于人类癫痫数据集，作者报告 EEG 上的灵敏度和特异度分别为 95.6% 与 96.8%，iEEG 上分别为 94% 与 96.9%。摘要未给出数据集名称、被试数、被试内或跨被试划分、检测时间窗及对照基线，因此这些结果不能直接用于跨研究性能比较。 作者还报告使用柔性 μECoG 阵列在癫痫大鼠模型中进行在体神经记录与多域生物标志物提取，并展示了利用人类 LFP 进行帕金森病静息性震颤的片上分类；作者称后者为文献中的首次展示，但该优先性尚未独立核验。 其主要贡献是分类算法与采集、刺激硬件的协同集成，而非仅提出 EEG 分类模型。复现与评估需进一步核对能耗测量边界、能量—性能权衡、刺激伪迹处理，以及检测到刺激的闭环时序与疗效证据；实验协议、消融及统计信息尚未验证。

    阅读价值：值得关注其将高通道数采集、能量感知 NeuralTree 分类与刺激电路集成于同一 SoC 的设计，以及在人类 EEG、iEEG 和 LFP 上的验证；检测性能与硬件能效仍需结合全文协议核对，不能据此认定已验证临床闭环疗效。

  13. OpenReview · State space models73

    通过状态空间增强 Transformer 实现高效长序列建模

    基于摘要分析。该研究面向自然语言处理中的长序列建模，提出 State Space Augmented Transformer（SPADE），以 SSM 补充全局信息，并以高效局部注意力处理局部依赖，旨在缓解标准注意力的二次计算成本与高效注意力全局信息建模能力有限之间的矛盾。 核心机制是将 SSM 加入 SPADE 的底层，其余层采用高效局部注意力。作者认为，SSM 擅长长序列建模，但捕获复杂局部信息的灵活性不足；局部注意力则需要补足长程依赖，两者因而具有互补性。摘要未说明具体 SSM 形式、局部注意力算法、融合方式、损失函数或实际复杂度，不能据此推断模型规模与计算收益。 作者报告，SPADE 在 Long Range Arena benchmark 和语言建模任务上的实验支持其有效性；作者还预训练了大型 encoder-decoder 模型，并展示自然语言理解与自然语言生成任务的微调结果，以考察可扩展性。摘要未提供具体任务划分、对照基线、指标数值或资源开销，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，SSM 的全局上下文与局部注意力的细粒度建模可能对应长时程 EEG 中持续状态与短时事件并存的建模需求。可复用的是二者互补的结构思路；需改造 EEG 的多通道输入表示、时间位置编码和任务输出端。原文评估依赖序列基准及语言任务，并包含大型预训练，不能直接推及小样本 EEG。低信噪比可能使全局状态累积噪声，通道差异与跨被试分布变化也可能削弱收益。一个可检验的小实验是在固定跨被试划分、训练预算和输入长度下，对比局部注意力模型与加入底层 SSM 的版本，同时记录任务指标、显存及推理时间，检验全局信息增益是否成立。已有 EEG 相关工作尚未检索确认。

    阅读价值：SPADE 将 SSM 的全局信息建模与局部注意力结合，为长序列计算成本与局部表达能力的权衡提供了可核对的机制路径，但其 EEG/BCI 适用性尚未验证。

  14. OpenReview · State space models70

    面向高效搜索空间的神经架构生成器

    基于摘要分析。本文研究通用神经架构搜索（NAS），针对既有方法依赖小规模人工设计搜索空间、单次搜索通常仅得到一个架构且难以复用的问题，提出神经架构生成器 NAG，旨在通过一次对抗训练支持多次、满足定制要求的架构采样。 核心机制类似 GAN：生成器输出有向无环图（DAG），作为神经架构的单元或模块；判别器估计 DAG 来自真实架构单元而非生成器的概率。在此基础上，作者结合随机搜索形成 RS-NAG，按定制要求寻找架构。其可核对的贡献重点是架构生成与后续搜索的解耦，以及训练后生成器的复用，而非特定神经信号任务。摘要未说明图的编码方式、合法性约束、具体损失和定制条件的实现。 作者报告，NAG 经一次对抗训练后可多次生成满足定制要求的多样架构；RS-NAG 在 CIFAR-10 和 ImageNet 上取得具有竞争力的结果。摘要分别将 2.50% 和 25.5% 称为 top-1 accuracies，此处按原文保留，不能自行改写为错误率；指标名称、评估划分、对照方法、搜索预算及最终训练协议尚需核对全文。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 DAG 搜索空间可编码 EEG 时序处理算子及计算预算，架构生成与搜索解耦的思路可能用于受限算力下的 EEG 模型搜索。可复用的是生成—判别及候选采样框架，需改造的是 EEG 算子集合、输入通道约束与候选评估流程；依赖代表性架构样本和足够搜索预算，小数据、低信噪比及跨被试差异可能使候选排序不稳定。一个可证伪的小实验是在固定 EEG 数据划分、算子集合与候选评估预算下，对比 RS-NAG 和普通随机搜索的候选有效率及最终任务指标。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：值得核对的是对抗训练后的架构生成器能否复用于多次定制搜索；摘要中的 top-1 指标表述及搜索成本仍需全文确认，尚无 EEG/BCI 有效性证据。

  15. OpenReview · State space models72

    基于 NOMA 的远程状态估计中的无线资源分配深度强化学习方法

    基于摘要分析。本文研究工业远程状态估计中的无线资源分配：多个传感器通过共享无线资源，将分布式动态对象的测量值发送至远程估计器。作者引入非正交多址接入（NOMA），以最小化总体长期平均估计均方误差为目标，提出动作空间压缩方法与深度强化学习算法，联合处理信道分配和功率分配。 技术上，决策同时考虑估计质量状态与信道质量状态；信道分配涉及离散动作，功率分配涉及连续动作，两者形成规模较大的混合动作空间。动作空间压缩旨在改善这一资源分配问题的可求解性与规模扩展能力。摘要未披露压缩映射、强化学习算法名称、网络结构、奖励构造及训练细节，不能据此判断其具体实现或复现成本。 作者报告，数值实验中该算法能够有效求解资源分配问题，相较既有文献具有更好的可扩展性，并较部分基准取得显著性能收益。但摘要未给出系统规模、信道与动态对象模型、基准名称、具体误差数值及评估协议；实验协议、消融及统计信息尚未验证。 本文的主要研究对象是无线联网动态系统的远程估计，而非 EEG 解码或神经信号基础模型。其状态估计与资源调度机制不能直接视为 BCI 算法贡献；材料未提供神经信号任务或具体迁移证据，因此不据此提出 EEG 复现实验。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其面向联合信道分配与功率分配的混合动作空间压缩方法，但具体压缩机制、可扩展性证据及其对 BCI 场景的适用性尚未验证。

  16. OpenReview · State space models78

    面向多样架构与数据流的 DNN 加速器统一延迟模型

    基于摘要分析。该研究针对 DNN 加速系统早期设计中候选算法、硬件架构及算法到硬件映射组合庞大、延迟评估成本高的问题，提出统一的层内解析延迟模型，用于评估不同架构与数据流下的执行延迟，而非提出神经信号解码方法。 模型采用三步分析流程，估计不同系统组件的延迟构成、捕捉各存储器组件的运行状态，并识别停顿引起的性能瓶颈。为提高估计准确性，分析纳入不同存储器属性、操作数的存储器共享情形及数据流影响。摘要未给出三步流程的具体公式、参数获取方式及适用算子范围，尚不能据此判断模型的实现成本或覆盖边界。 作者报告，在内部已流片加速器的多种 DNN 层上验证时，延迟模型的平均准确度为 94.3%；该数值是特定硬件与层级工作负载下的延迟估计准确度，不是分类 Accuracy，具体误差定义与汇总方式尚未验证。作者还通过三个案例分别分析映射、工作负载及不同硬件架构对延迟的影响，以支持算法—硬件—映射协同优化。实验协议、对照、消融及统计信息尚未验证，代码与复现所需硬件参数的可获得性也尚未确认。 平台推测（待验证）：若 EEG/BCI 的 DNN 解码器部署受存储访问和计算停顿制约，该组件级分析思路可能用于评估设备端推理延迟。可复用的是延迟分解框架，需适配目标算子、数据流、存储层级及硬件参数；其依赖的是工作负载与硬件描述，而非监督标签。低信噪比、跨被试差异及小数据首先影响解码可靠性，并非该模型直接解决的问题；通道数变化和短时窗、小批量推理则可能改变延迟瓶颈。一个可检验的小实验是在固定设备上，对同一 EEG 解码网络的不同映射逐层测量延迟，并核对模型预测误差及瓶颈定位是否一致。已有 EEG 相关工作尚未检索确认。

    阅读价值：该研究将 DNN 加速器延迟分解与存储器停顿瓶颈关联，可为算法—硬件—映射协同设计提供可核对的分析框架，但其在 EEG/BCI 工作负载上的估计精度尚未验证。

  17. OpenReview · State space models74

    AutoML 搜索空间与搜索策略的自动选择

    基于摘要分析（所给材料为研究亮点，未取得论文全文）。本研究面向通用 AutoML 与神经架构搜索，尝试在给定数据集和搜索预算时，自动联合选择搜索空间与搜索策略，减少依赖人工预定义空间及固定策略搭配的设计。其主要研究对象是架构搜索流程，而非 EEG 或 BCI。 核心机制：vanilla LArST 将上述选择视为组合优化问题，利用 probing model 提取的元特征和基于决策树的方法选择搜索空间及搜索策略。材料还介绍了 layered architecture search tree（LArST），通过监督学习建立搜索空间与基础 cell 的直接联系，以探索跨数据集迁移。元特征的具体构成、监督目标、训练数据来源及搜索树结构尚未验证。 平台与目标：作者报告，不同操作在不同硬件平台上的表现存在差异，因此搜索空间设计应考虑平台与优化目标；方法旨在支持 GPU、x86 CPU、Power series CPU 等平台上的多目标 AutoML。材料引用既有研究说明 CNN 较早阶段可能更影响推理延迟，以及 CIFAR-10 上的基础 cell 可迁移至 ImageNet；这些引用不能视为本文已验证的结果。 结果与复现：作者报告性能有所提升，并称框架可接入既有架构搜索策略与搜索空间表示，但所给材料未展示具体指标、数值、对照与预算协议。实验协议、消融及统计信息尚未验证；复现需核对候选空间与策略集合、元特征提取成本、监督学习数据、总搜索开销及硬件延迟测量方式。 平台推测（待验证）：迁移假设是，数据集元特征与预算驱动的联合选择机制可能用于 EEG 解码中选择模型候选空间及搜索策略，而非直接迁移图像 CNN 的 cell。可复用选择框架，但需改造 EEG 元特征、时空操作集合和性能／延迟目标，并验证其对元训练数据规模的依赖。低信噪比、通道差异、小数据及跨被试分布变化可能使元特征和选择规则不稳定。一个小规模检验是在固定任务与等总计算预算下，用训练被试构建选择规则，在留出被试上比较联合选择与固定空间／固定策略，并计入 probing 成本、隔离测试标签。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是将搜索空间与搜索策略联合选择，以及按硬件平台和优化目标调整搜索空间的机制；其性能收益与跨数据集迁移能力仍需核对全文实验，对 EEG 的适用性尚未验证。

  18. OpenReview · State space models74

    解析 NPU 的映射空间探索

    基于摘要分析。本文研究如何为深度神经网络（DNN）寻找高效的加速器映射，而非神经信号建模或状态空间模型。核心贡献是对不同映射器采用的搜索技术进行同条件比较，分析搜索过程及不同映射维度对加速器性能与效率的影响，并提出可增强现有映射器的 warm-start 和 sparsity-aware 两项技术。 映射空间探索的目标是寻找优化的 DNN 加速器执行映射，其搜索计算成本较高。已有启发式和学习式方法试图降低这一成本，但摘要指出，仅凭各映射器分别报告的优势，难以系统理解搜索技术如何遍历映射空间，以及哪些映射维度决定性能与效率。作者将这一问题与神经架构搜索带来的不规则结构及模型稀疏性联系起来：这些特征会使映射空间更加复杂。 本文的主要定位不是再提出一个完整映射器，而是通过比较提炼可复用的搜索增强技术。作者报告，warm-start 与 sparsity-aware 在多种 DNN 模型上带来加速、可扩展性和鲁棒性收益；但摘要未提供具体模型、加速器配置、搜索预算、对照方法或数值，也未明确加速收益针对搜索耗时还是映射后的执行性能，因此不能据此量化优势。 复现时需核对各搜索技术是否使用一致的映射空间、约束、成本模型与计算预算，以及稀疏性如何被表示和纳入优化。两项增强技术的具体实现、实验协议、消融及统计信息尚未验证。该工作直接涉及 DNN 硬件部署优化，摘要不支持将其结论视为 EEG 解码或 BCI 有效性的证据。

    阅读价值：值得阅读之处在于对不同映射搜索技术进行同条件比较，并研究可增强现有映射器的 warm-start 与 sparsity-aware 技术；具体收益和适用边界仍需全文核对。

  19. OpenReview · State space models78

    AMP：自动寻找具有异构性感知能力的模型并行策略

    基于摘要分析。本文研究大模型分布式训练中模型并行策略依赖专家设计的问题，提出 AMP 框架，自动寻找适配模型架构与集群配置的执行策略。其主要贡献是同时考虑模型层的不均衡性，以及加速器和通信带宽的异构性，而非提出新的任务模型或 EEG 解码算法。 机制上，AMP 先确定有效的模型并行策略空间，再利用反映模型与集群规格异构性的代价模型，高效搜索高性能策略。摘要强调，该框架面向由不均衡层组成的复杂模型，以及加速器和带宽差异较大的集群；策略空间的具体约束、代价模型形式、搜索算法及代价预测误差尚未验证。 作者报告，在常用模型与公有云集群配置上，AMP 找到的策略可达到与专家调优策略相当的表现；在异构集群和异构模型架构两类评估中，相比所对照的先进模型并行系统，吞吐量分别达到 1.54 倍和 1.77 倍。摘要未给出模型名称、硬件配置、基线名称、批大小或计时范围，因此这些结果不能直接外推到其他训练环境；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 基础模型训练确实受到模型层负载不均或异构设备通信的限制，AMP 的策略搜索与异构代价建模可能作为训练系统模块复用。需按目标模型的计算、显存和通信特征重新标定代价模型；这一路径针对资源调度，不直接解决 EEG 低信噪比、跨被试差异或解码准确率问题。小数据、较小模型或通信开销占比过高时，搜索成本与额外同步可能抵消收益。可在固定 EEG 模型、数据划分和训练设置下，对比 AMP 与人工配置策略的吞吐量、显存及搜索开销，并核对训练结果一致性。已有 EEG 相关应用尚未检索确认，代码与复现条件尚未验证。

    阅读价值：AMP 将模型层与集群资源的异构性纳入并行策略搜索，值得关注其代价模型与搜索机制，但摘要中的吞吐量优势仍需结合具体硬件、模型和对照协议核对。

  20. OpenReview · Representation learning72

    基于脉冲序列的关系表示学习

    基于摘要分析。该研究面向知识图谱的关系表示学习，提出利用脉冲序列学习图谱元素嵌入的方法，以每个图谱元素对应一个神经元的编码方式，将关系知识整合进脉冲系统；研究对象并非 EEG 解码或 BCI 任务。 传统知识图谱嵌入将实体与关系映射到低维向量空间，并保留图谱语义结构。摘要提及的一类既有方法将图谱元素映射到脉冲神经网络的时间域，但依赖仅发放一次脉冲的神经元群体。本文的核心区别是充分利用单个神经元多次发放形成的脉冲时序模式，减少表示每个图谱元素所需的神经元数量。 该编码机制要求能够计算关于脉冲时间的梯度。作者报告在 integrate-and-fire 神经元模型上演示了这一方法，并指出原则上可用于满足上述梯度条件的其他脉冲神经元模型。具体损失函数、图谱数据集、训练与评估协议、基线、消融及统计信息尚未验证，摘要未提供可核对的定量性能结果。 作者将事件驱动计算与关系数据的结合视为构建节能人工智能及推理系统的可能方向；这不等于已验证硬件能耗优势。其机制依赖具有实体与关系结构的数据，而 EEG 时序并不直接具备这种知识图谱结构。平台推测（待验证）：若用于神经信号任务，需先明确图谱构建方式、监督来源及信号到脉冲时序的编码，不能将本文直接视作已验证的 EEG 表征方法。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其以单个神经元的多次脉冲时序表示知识图谱元素的机制，但摘要尚不足以验证表示性能、实际能耗优势或 EEG/BCI 适用性。