跳到正文

算法、任务与模态

LLM 最新动态

LLM 研究索引；按可核对的标签归档，不以热度评价质量。

204 条精选近 30 天 99 条共收录 249 条

更新

精选归档 · 第 11 页

9月22日周五第 201–204 条
  1. OpenReview · EEG75

    DeWave：用于 EEG 到文本翻译的 EEG 波形离散编码

    基于摘要分析。DeWave 研究开放词汇 EEG 到文本翻译，针对现有方法依赖眼动注视或事件标记进行词级分割的问题，提出通过离散 EEG 编码与预训练语言模型对齐的框架，并探索不依赖词级顺序标记的整段信号翻译。 核心机制是使用量化变分编码器生成离散 codex 表征，再将编码序列与预训练语言模型对齐。作者认为，文本–EEG 对比对齐训练能够缓解眼动注视顺序与词语顺序不一致的问题，而具有不变性的离散 codex 可减少个体 EEG 差异带来的干扰。摘要未提供量化实现、损失函数、训练阶段或语言模型名称，上述机制的具体实现及各模块贡献尚未验证。 作者报告，在 ZuCo Dataset 上，DeWave 达到 41.35 BLEU-1 和 33.71 Rouge-F，对应此前基线分别为 40.1 和 31.7。摘要未交代这一比较的被试内或跨被试协议、数据划分与基线名称，因此不能据此判断跨被试泛化能力。另在不使用词级顺序标记的整段 EEG 翻译条件下，作者报告 20.5 BLEU-1 和 29.5 Rouge-1。两组结果的输入条件不同，且 Rouge-F 与 Rouge-1 的指标表述不同，不宜直接作等价比较。 阅读全文时需核对离散表征的不变性如何约束与评估、训练和推理各自依赖哪些文本或事件信息，以及整段信号的切分与对齐方式。被试数量、实验划分、消融、统计信息和复现资源尚未验证。摘要中的结果不能直接证明系统已具备自由表达场景下的实时 BCI 能力；作者关于整段翻译的“首次”主张也尚未独立核验。

    阅读价值：值得阅读的具体原因是 DeWave 将离散 EEG 编码与预训练语言模型对齐，并报告了不依赖词级顺序标记的整段 EEG 到文本翻译结果；其对跨被试差异的缓解程度及推理条件仍需全文核验。

9月20日周三
  1. OpenReview · EEG72

    BELT-2：面向多任务脑解码的 EEG—语言表征自举对齐

    BELT-2 研究如何将 EEG 表征与语言表征对齐，并连接大语言模型（LLMs）以支持多任务脑解码；核心方法结合 BPE 级对齐、多任务 EEG 编码器与 prefix-tuning。基于摘要分析，未取得论文全文。 技术机制方面，作者采用 byte pair encoding（BPE）级 EEG—语言对齐，并在 EEG 领域联合进行多任务训练与解码；随后利用 EEG 编码器的中间输出，通过 prefix-tuning 连接 LLMs。该设计将 EEG 表征学习与语言生成接口结合，但摘要未说明 EEG 与 BPE 单元的对应构造、对齐损失、多任务的具体组成、LLM 型号，以及训练时哪些模块冻结或更新，相关细节尚未验证。 结果方面，作者报告在 ZuCo 数据集上获得 BLEU-1 为 52.2% 的解码结果，但摘要未提供数据划分、被试内或跨被试协议及对照基线，因此不能据此判断跨被试泛化能力。作者还报告在其他翻译基准上提升 31%–162%，但未明确基准名称、指标、对照方法及提升的计算口径，不能将其解释为准确率或百分点提升。作者声称该方法能够从非侵入式脑信号解码连贯、可读的句子，并声称相关设计具有首次性；这些主张尚需正文与既有工作核对。 复现时需核对 EEG 预处理、EEG—文本配对方式、训练与测试划分、多任务监督来源，以及文本生成阶段是否使用额外文本条件。尤其应区分 EEG 提供的信息与 LLM 语言先验对生成质量的贡献；摘要不足以确定这一贡献分解。实验协议、消融及统计信息尚未验证。摘要称代码可通过匿名链接获取，但当前材料未给出该链接，代码可访问性与复现条件尚未验证。

    阅读价值：值得阅读的具体原因是 BELT-2 将 BPE 级 EEG—语言表征对齐、多任务训练与 LLM prefix-tuning 结合，可用于考察语言先验与 EEG 表征对文本解码的各自贡献，但其评估协议与提升幅度仍需全文核对。

1月1日周日
  1. OpenReview · Representation learning76

    面向信息检索的多变量表征学习

    基于摘要分析。本文研究信息检索中的稠密检索问题，提出将查询与文档分别表示为多变量分布，而非单一向量，并以负多变量 KL 散度计算相似度。主要贡献是将分布表征引入检索框架，并提供理论基础及高效检索的兼容性论述。 核心机制：常见稠密检索使用双编码器生成查询与文档向量，再以点积计算相似度。本文为简化计算并提高效率，假设表征服从多变量正态分布，训练大型语言模型输出均值与方差向量。由此，匹配依据从向量点积转为分布间差异。摘要未说明 KL 散度的方向、具体训练损失、方差约束及近似最近邻算法的适配细节，这些均需核对全文；不能直接将预测方差解释为经过校准的不确定性。 结果与证据边界：作者报告在多个数据集上开展广泛实验，相较有竞争力的稠密检索模型取得显著改进，并称该框架可无缝整合到现有近似最近邻算法中。摘要未提供数据集名称、划分、指标、具体基线、提升幅度或统计检验，因此无法判断收益大小及适用范围。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设分布表征能够描述 EEG 片段在嵌入空间中的变异，则可探索以分布匹配替代点积，用于 EEG 片段检索；这不是原论文验证的任务。可复用的是均值、方差输出及分布相似度计算，需改造的是文本编码器、EEG 输入处理和训练配对方式，原文监督方式与所需规模尚未验证。低信噪比、跨被试及通道差异可能使方差主要反映噪声，小数据下也可能估计不稳定。一个可检验的小实验是在固定被试内数据划分、编码器和训练预算下，对比向量点积与分布匹配的同类 EEG 片段检索性能，并检验方差输出是否带来稳定收益。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其以分布表征和负多变量 KL 散度替代向量点积的检索机制，以及与近似最近邻检索兼容的理论依据；其对 EEG 表征的价值尚未验证。

  2. OpenReview · State space models71

    大语言模型能够解释序列推荐器的潜在空间

    基于摘要分析。本文研究大语言模型能否理解基于离散 ID 的序列推荐器所学习的隐表示，提出 RecInterpreter，将用户交互序列表征转换为 LLM 可处理的输入，并通过生成物品文本描述检验其解释能力。主要研究对象是序列推荐与用户偏好表示，而非 EEG 或 BCI。 机制上，RecInterpreter 使用交互序列表征与文本叙述组成的多模态配对数据，通过轻量 adapter 将表征映射到 LLM 的 token embedding 空间。sequence-recovery prompt 引导 LLM 描述交互序列中的物品；sequence-residual prompt 则对比加入某个物品前后的序列表征，引导 LLM 识别该新增物品。后者提供了基于表征变化进行解释的具体机制，但摘要未说明 adapter 结构、损失函数、LLM 是否冻结及配对数据如何构造。 作者报告，在所述序列推荐实验中，RecInterpreter 使 LLaMA 能够理解基于 ID 的推荐器隐表示，尤其在 sequence-residual prompt 引导下表现更好；还可将 DreamRec 等生成式推荐器产生的 oracle items 具体化为物品。摘要未提供数据集、划分、对照基线、评价指标或分数，实验协议、消融及统计信息尚未验证。材料提供代码仓库地址，但代码完整性及复现条件尚未核对。 平台推测（待验证）：其配对表征—文本对齐机制，可能用于检验 EEG 编码器的隐表示是否保留可语言化的任务信息。该假设依赖可靠的 EEG 表征与文本监督；可复用 adapter 对齐思路，但需改造输入与解释目标，不能将添加推荐物品直接等同于 EEG 神经活动变化。低信噪比、跨被试差异、通道变化和小规模配对数据可能导致模型依赖文本先验而非信号。一个可证伪的小实验是在固定 EEG 编码器和跨被试划分下，比较真实配对与随机打乱配对的解释正确率，检验输出是否依赖 EEG 表征。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是 RecInterpreter 将序列推荐器的隐表示映射到 LLM token embedding 空间，并通过序列恢复与序列残差提示检验其可解释性；作者报告的效果仍需结合完整实验协议核对，尚不能视为 EEG 表征解释能力的证据。