跳到正文

算法、任务与模态

Time Series 最新动态

Time Series 研究索引；按可核对的标签归档，不以热度评价质量。

203 条精选近 30 天 71 条共收录 243 条

更新

精选归档 · 第 10 页

1月1日周六第 181–200 条
  1. OpenReview · Representation learning74

    混合式对比学习：时间序列的自监督表征学习

    基于摘要分析。本文研究时间序列标注不足条件下的表征学习，提出受标签平滑启发的无监督对比学习框架，以两个样本的混合构造训练数据，并将混合系数作为软目标，为时间序列表征及迁移学习提供训练信号。主要研究对象是通用时间序列与临床时间序列，而非已明确验证的 EEG 或 BCI 任务。 核心机制是把样本混合增强与对比学习目标结合：新样本由两个数据样本及混合系数生成，模型的任务是预测该混合系数，并在损失函数中使用相应软目标。摘要未给出混合操作的具体形式、对比损失公式、编码器结构及训练和推理流程，这些细节尚未验证。 作者报告，该框架在单变量和多变量时间序列实验中优于其他表征学习方法，并展示了临床时间序列迁移学习的收益。摘要未提供数据集名称、样本规模、划分方式、基线名称或指标数值，因此无法判断优势的幅度及适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 样本具有可对齐的时间轴和通道结构，混合系数软监督可能为低标注条件下的预训练提供可复用机制。但这一假设依赖样本混合仍保留可学习的信号结构；跨被试幅值差异、通道不一致及低信噪比可能使模型主要利用混合伪迹而非任务相关特征。可复用部分是混合增强与软目标训练思路，需改造部分包括 EEG 预处理、通道对齐和编码器。一个可检验的小实验是在固定跨被试划分与相同标注预算下，对比该目标和常规对比学习预训练，并检查混合强度变化对下游表现的影响。已有 EEG 相关工作尚未检索确认，以上不属于论文已验证结果。复现前需取得全文，核对损失定义、混合采样方式、数据划分与实现可用性。

    阅读价值：值得核对其以混合系数作为软目标的对比学习机制及迁移评估协议，但摘要所述通用与临床时间序列结果尚不能证明其对 EEG 表征学习有效。

12月31日周五
  1. OpenReview · State space models78

    用于状态空间模型可扩展变分推断的 neural moving average model

    基于摘要分析。本文研究如何将依赖小批量训练的变分推断扩展到具有时间依赖的状态空间模型，提出潜在时间状态的生成模型 neural moving average model，使训练能够低成本地使用时间序列子序列，而不必从整个分布中抽样。 核心机制是支持子序列的局部采样，以降低每次变分推断训练迭代的计算成本。摘要将其与主要适用于独立数据模型的小批量变分推断作对照；具体生成结构、时间依赖范围、变分目标、梯度估计方式及子序列边界处理尚未验证，不能仅凭名称推断其网络结构或损失形式。 作者报告，在 autoregressive、Lotka-Volterra、FitzHugh-Nagumo 和 stochastic volatility 模型上，该方法能在较短时间内获得准确的参数估计。摘要未提供误差指标、运行时间、数据规模、对照基线或重复实验统计，因此无法量化计算收益，也不能据此判断其相对其他推断方法的优势。实验协议、消融及统计信息尚未验证；复现还需核对模型设定、先验、采样与优化配置及实现可用性。 平台推测（待验证）：若 EEG 被建模为由潜在状态驱动的连续观测序列，局部采样机制可能用于降低长序列贝叶斯参数估计的成本，而非直接提供 BCI 解码器。可考虑复用局部采样与小批量优化思路，但需改造多通道观测模型，并核对局部时间依赖假设是否适用。低信噪比、长程依赖、跨被试差异和小数据条件可能使局部近似产生偏差。一个可检验的小实验是在参数已知的模拟多通道状态空间序列上，固定数据与计算预算，比较局部小批量推断和全序列推断的参数误差及运行时间，再逐步增加噪声和依赖长度。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：值得阅读其利用 neural moving average model 局部采样潜在状态、支持时间序列小批量变分推断的机制，但参数估计精度、计算收益及 EEG 适用性尚需验证。

1月1日周五
  1. OpenReview · State space models79

    利用深度编码器网络进行非线性状态空间辨识

    基于摘要分析。本文研究非线性动力系统的状态空间辨识，针对长序列仿真误差优化计算开销大、目标高度非凸的问题，提出将数据划分为多个独立片段，并以编码器估计各片段初始状态的方法；主要研究对象不是 EEG 或 BCI。 核心机制是采用类似 multiple shooting 的分段方式近似仿真损失，使优化能够使用随数据规模扩展的随机梯度方法。其关键贡献是用前馈神经网络读取历史输入与输出样本，估计每个片段起点的隐状态。作者称，分段还可对非凸代价函数产生平滑作用。摘要未提供状态转移模型的具体结构、历史窗口长度、片段长度及损失的精确形式，这些实现条件尚未验证。 作者报告在两个知名基准上展示了方法的效率与性能，其中在 Wiener–Hammerstein benchmark 上获得作者所称的最低已知仿真误差。摘要未给出另一基准名称、误差数值、数据划分或对照方法，因此不能据此量化改进幅度；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务可表述为具有可观测历史输出及可用输入信息的动力系统辨识问题，该机制可能帮助缓解长序列训练开销和片段初始隐状态不确定性，但原领域有效不等于 BCI 有效。可复用的是分段训练与初始状态编码器，需改造的是输入定义、多通道观测模型和历史窗口。EEG 的低信噪比、跨被试及通道差异可能使历史样本难以可靠恢复隐状态，小数据也可能导致编码器过拟合。一个可检验的小实验是在固定被试内、按时间分离的训练与测试片段上，对比历史编码初始化与固定初始化，在相同状态模型及训练预算下评估多步预测误差和训练开销；这仅检验动力学建模假设，不代表 BCI 解码收益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是其用历史输入输出编码分段初始状态、近似长序列仿真损失的机制，可供非线性动力系统辨识复现参考，但其对 EEG/BCI 的适用性尚未验证。

  2. OpenReview · State space models70

    状态空间人工神经网络的改进初始化方法

    基于摘要分析。本文研究黑箱非线性状态空间模型辨识中的参数初始化问题，提出面向循环人工神经网络表示的改进初始化方法，并强调模型结构中包含显式线性项的重要性。主要研究对象是非线性系统辨识，而非 EEG 或 BCI 解码。 技术机制：人工神经网络用于灵活表示状态方程与输出方程，其权重和偏置需要通过非线性优化求解。本文从非线性系统的线性近似出发初始化部分网络权重，其余权重使用随机值或零初始化，旨在降低优化收敛到性能较差局部极小值的风险。摘要未说明线性近似的获取方式、各类初始化对应的具体参数、网络结构及损失形式，这些实现细节尚未验证。 结果与证据：作者报告在两个基准示例上展示了该方法相对于此前初始化方法的有效性。摘要未提供基准名称、数据划分、对照方法名称、数值指标或不确定性；实验协议、消融及统计信息尚未验证，尤其需要核对初始化策略与显式线性项各自的贡献。 平台推测（待验证）：若 EEG 任务采用具有时序状态与输出关系的非线性系统辨识模型，线性近似引导初始化可能为小数据条件下的优化提供较稳定起点。可复用部分是初始化思路与显式线性项，需改造的是 EEG 通道对应的输入输出定义、状态表示及线性近似估计。该假设依赖可估计的线性动态成分和足够的连续时序数据；低信噪比、跨被试动态差异、通道变化或小样本下不可靠的线性估计均可能使其失效。一个可检验的小实验是在固定被试内划分、相同网络与训练预算下，比较该初始化和随机初始化的多次运行结果，并分别核对有无显式线性项时的验证误差及收敛稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其由线性近似引导部分权重初始化并保留显式线性项的具体实现，作者报告在两个基准示例上优于既有初始化方法，但其对 EEG 动态建模的价值尚未验证。

  3. OpenReview · State space models80

    深度状态空间高斯过程

    基于摘要分析。研究针对深度高斯过程（DGP）回归的状态空间建模与计算问题，通过层级随机微分方程表示，将回归转化为可序贯求解的状态估计问题，并提出状态空间 MAP、贝叶斯滤波与平滑方案。 核心机制是在层级结构中，对下一层 GP 的长度尺度和幅度赋予经过变换的 GP 先验，使这些参数能够随输入变化。作者将该结构表示为由线性随机微分方程（SDE）组成的非线性层级系统，其中每个 SDE 对应一个条件 GP；利用状态空间 DGP 的马尔可夫性质进行序贯估计。作者报告计算复杂度随观测数量线性增长，但摘要未提供状态维度、计算常数及具体运行时间，不能据此判断相对其他 DGP 实现的实际加速幅度。 作者报告在合成非平稳信号上展示模型与方法的表现，并将其用于 LIGO 测量中的引力波检测。摘要未给出定量指标、数据划分或对照结果；具体核函数、状态空间表示条件、推断近似、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 中局部平滑程度与幅度随时间变化的非平稳建模需求。迁移假设依赖时间序列结构、观测模型和可用数据规模，可复用层级先验及滤波／平滑框架，但需要改造多通道观测与噪声模型，并核对所选 GP 的 SDE 表示条件。低信噪比可能使幅度变化与伪迹混淆，通道增加可能抬高状态估计成本，小数据与跨被试差异也可能造成先验失配。可先在固定被试内划分下，比较该方法与平稳状态空间 GP 对遮蔽 EEG 片段的重建误差、预测不确定性及运行时间，检验非平稳层级建模是否带来收益；这不等同于验证 BCI 解码效果。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其将层级非平稳 GP 回归转化为序贯状态估计的机制；作者报告计算复杂度随观测数量线性增长，但其在 EEG 上的适用性与效率收益尚未验证。

  4. OpenReview · State space models72

    神经网络药效学状态空间建模

    基于摘要分析。该研究面向高维纵向患者数据，旨在建模患者生物标志物随时间的变化，以支持疾病进展预测；核心贡献是提出一种深度生成模型，通过受治疗影响疾病状态的物理机制启发的注意力式神经架构，缓解灵活的患者状态表征模型容易过拟合的问题。 机制方面，摘要明确将治疗作用与疾病状态动态联系起来，但未提供状态转移、观测模型、治疗变量编码、注意力计算、损失函数或推理流程。因此，尚不能判断药效学知识以何种形式约束模型，也不能将其直接认定为具有因果识别能力的治疗效应模型。 作者报告，该模型能够对随时间变化的高维患者生物标志物进行可扩展且准确的建模，并显著改善泛化表现；在真实世界临床数据上，作者报告获得了关于癌症进展动态的可解释性见解。摘要未给出具体数据集、患者数量、标志物类型、划分方式、对照基线、评价指标或效应大小，实验协议、消融及统计信息尚未验证，可解释性结论的验证方式也需查阅全文。 本文的主要研究对象是临床患者生物标志物与癌症进展，并非 EEG 解码或 BCI。现有材料不足以建立药效学状态建模与 EEG 瓶颈之间的具体机制对应，因此不据此推断 BCI 有效性或提出迁移复现实验。复现仍需取得完整模型定义、数据预处理、训练与评估设置；代码与数据可用性尚未验证。

    阅读价值：值得阅读的是其将治疗影响疾病状态的药效学机制引入注意力式深度生成模型的建模思路，但泛化改善的评估协议与可解释性证据尚未验证。

  5. OpenReview · State space models71

    状态空间人工神经网络的改进初始化方法

    基于摘要分析。本文研究黑箱非线性状态空间系统辨识中的参数初始化问题，提出针对递归人工神经网络状态空间模型的改进初始化方法，并强调在模型结构中保留显式线性项的重要性。核心目标是降低非线性优化收敛到性能较差局部极小值的风险。 机制上，人工神经网络用于灵活表示状态方程与输出方程，待优化参数包括网络权重和偏置。所提方法从非线性系统的线性近似出发初始化部分网络权重，其余权重使用随机值或零初始化。摘要未说明线性近似的获取方式、各类初始化对应的具体参数、显式线性项的位置，以及损失函数和优化流程，相关细节尚未验证。 作者报告，在两个基准示例上，相较此前提出的方法，该初始化方案展现了有效性。摘要未提供基准名称、数据划分、对照方法名称、评价指标或数值，因此尚不能判断提升幅度及适用范围；实验协议、消融及统计信息尚未验证。复现需进一步核对模型方程、线性模型辨识过程、随机初始化设置，以及是否在相同模型容量和优化预算下比较。 平台推测（待验证）：若 EEG 任务可表述为连续时序的状态演化与观测预测，该方法可能对应小数据下递归模型训练不稳定的问题。可复用的是以线性近似初始化非线性模型及保留显式线性项的思路；需改造的是 EEG 观测方程、通道组织与任务目标。迁移依赖足够的连续序列及可辨识的线性动态，低信噪比、跨被试差异或通道变化可能使线性近似失配。一个可检验的小实验是在固定 EEG 被试内预测协议下，对比随机初始化与该初始化，并分别控制显式线性项的有无，考察多次随机运行的预测误差与收敛稳定性；这属于迁移假设，不是已证实的 BCI 效果。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其如何将系统的线性近似用于递归状态空间神经网络初始化，以及显式线性项是否改善优化；摘要仅报告两个基准示例，EEG/BCI 适用性尚未验证。

1月1日周三
  1. OpenReview · State space models76

    使用深度编码器网络进行非线性状态空间辨识

    基于摘要分析。本文研究动力系统的非线性状态空间辨识：直接最小化仿真误差在大数据集上计算昂贵，且优化问题具有较强非凸性。作者提出将数据划分为多个独立片段以近似仿真损失，并用编码器从历史输入与输出样本估计每个片段的初始状态。 核心机制类似 multiple shooting：把长序列仿真分解为片段级计算，从而支持随数据规模扩展的随机梯度优化。作者指出，这种分段方式还对非凸代价函数具有平滑作用。主要贡献是以一个前馈神经网络实现初始状态编码器，而非仅依赖长序列仿真来确定状态。摘要未提供状态转移与输出函数的具体形式、历史窗口长度、片段长度或损失表达式，相关实现尚未验证。 作者报告，该 state-space encoder 方法在两个知名基准上展示了效率与性能，其中在 Wiener–Hammerstein benchmark 上达到作者所称的最低已知仿真误差。摘要未给出另一基准名称、误差数值、数据划分或对照配置，因此不能据此量化优势；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务需要从历史观测估计隐状态并进行连续动态预测，这种片段初始状态编码机制可能缓解长序列训练的计算负担。该假设依赖连续时序结构、可定义的输入与输出以及足够的历史观测；可复用分段训练和初始状态编码思路，但需改造观测模型与输入定义。低信噪比、跨被试及通道差异可能使编码器将伪迹或个体特征误当作动态状态，小数据也可能不足以学习稳定的状态估计。一个可检验的小实验是在固定被试内数据划分与相同状态空间模型下，对比长序列仿真训练和分段编码器训练，评估留出连续片段的预测误差与计算成本，并检查历史窗口和片段长度的影响。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利用历史输入与输出编码各数据片段的初始状态，使非线性状态空间辨识可采用分段仿真与随机梯度优化；其对 EEG 动态建模的价值尚未验证。

  2. OpenReview · State space models80

    深度状态空间高斯过程

    基于摘要分析。该研究针对深度高斯过程（DGP）回归的计算问题，通过状态空间表示，将层次化 GP 回归转化为可用序贯方法求解的状态估计问题，并提出状态空间最大后验（MAP）估计、贝叶斯滤波与平滑方案。 核心机制是在层次结构中，为下一层 GP 的长度尺度与幅度设置经过变换的 GP 先验，使这些特征能够随输入变化。作者将 DGP 表示为由线性随机微分方程（SDE）组成的非线性层次系统，其中每个 SDE 对应一个条件 GP，再利用状态空间 DGP 的马尔可夫性质进行序贯估计。这一区别于直接处理整体 GP 回归的计算路径，是理解该方法的重点；它不是通常意义上的深度神经网络结构。作者报告计算复杂度随测量数量线性增长，但具体适用的 GP 类别、状态维度及近似条件尚未验证。 作者报告在合成非平稳信号上展示了模型与方法的表现，并将方法用于 LIGO 测量中的引力波检测。摘要未提供具体指标、对照基线或数据划分，因此不能据此判断性能优势的幅度。实验协议、消融及统计信息尚未验证；复现还需核对先验变换、SDE 构造、离散化与推断设置，代码可用性尚未验证。 平台推测（待验证）：迁移假设是，随时间变化的长度尺度与幅度先验可能适合描述 EEG 的非平稳性，而序贯估计可能有助于长时序处理。可复用的是层次先验及滤波、平滑框架；需改造的是多通道观测模型、通道间关系及噪声模型。该方法依赖可构造状态空间表示的 GP 与序列观测，但摘要不足以确定其监督形式和数据规模要求。低信噪比、伪迹、跨被试差异和小数据条件可能使层次参数难以辨识。一个可检验的小实验是在固定被试内划分与相同观测条件下，比较该方法与平稳状态空间 GP 的 EEG 时序回归误差、预测不确定性校准及运行时间；滤波与平滑应分别评估。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其将层次化非平稳 GP 回归转为状态估计的机制，以及作者所述计算复杂度随测量数量线性增长的适用条件；对 EEG 时序建模的价值尚待验证。

  3. OpenReview · State space models71

    利用深度编码器从视频数据进行非线性状态空间模型辨识

    基于摘要分析。本文研究如何从视频等高维输入输出数据辨识非线性状态空间模型，核心贡献是用神经网络编码器从历史输入与输出估计模型状态，并将编码器与动力学联合学习。研究对象是高维观测下的动态系统辨识，而非 EEG 解码或 BCI。 机制上，编码器学习 reconstructability map（状态可重构映射），将过去的输入输出转换为模型状态估计，为动力学建模提供状态表示。作者还提出 multiple shooting（多重打靶法）的改进重构形式与批量优化，以控制高维、大规模数据下的计算时间。摘要未给出网络结构、损失函数、历史窗口长度、优化细节或计算成本对照，具体实现尚未验证。 作者在单位盒内可控小球的模拟环境视频流上应用该方法，并报告所得模型具有较低的仿真误差和良好的长期预测能力。摘要未提供误差指标、预测时域、训练与测试划分或基线结果，因此无法量化效果或判断泛化范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移假设是，历史多通道 EEG 与可记录的任务输入能够提供足够信息，使编码器估计具有预测价值的潜在状态，从而缓解高维观测与动态建模之间的困难。可复用部分是历史窗口编码、状态转移学习和分段优化；需改造观测表示、任务输入定义及噪声处理。EEG 低信噪比、跨被试与通道差异，以及小数据条件下潜在状态的可辨识性不足，均可能使该假设失败。一个可检验的小实验是在固定通道的被试内 EEG 数据上，按独立试次划分训练与测试集，以相同历史窗口比较该思路与线性状态空间基线的多步信号预测误差；该实验仅检验动态预测，不代表 BCI 解码有效性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是将历史输入输出的状态估计编码器与非线性动力学联合学习，并结合 multiple shooting 与批量优化处理高维观测；其长时预测证据限于模拟视频环境，EEG 适用性尚未验证。

1月1日周日
  1. OpenReview · State space models76

    用于学习非线性动力系统的灵活状态空间模型

    基于摘要分析。该研究针对非线性动力系统的学习，将状态转移函数与观测函数表示为基函数展开，并从数据中学习展开系数。核心贡献是利用与 Gaussian processes 的联系构造系数先验，以调节模型灵活性、抑制过拟合，同时设计基于序贯 Monte Carlo 的参数学习算法。 机制上，基函数展开承担非线性函数表示，系数先验则可视为正则化，用于在表达能力与泛化之间取得平衡。作者将这一设计与 Gaussian process state-space model 联系起来，但摘要未给出基函数类型、先验具体形式或二者的精确对应。学习算法用于估计展开系数及其他未知参数；作者称其具有理论保证，保证的条件与范围尚未验证。 作者报告，该方法在一个经典基准及真实数据上获得了有前景的结果。摘要未提供基准名称、数据规模、划分协议、对照方法或量化指标，因此尚不能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。复现需进一步核对基函数选择、先验设置、隐状态推断流程、序贯 Monte Carlo 的计算配置及参数学习细节。 平台推测（待验证）：若 EEG 时序中的潜在动态可由该类非线性状态空间模型近似，基函数表示与系数正则化可能有助于限制小数据条件下的模型复杂度；这是迁移假设，而非已证实的 BCI 效果。原方法依赖时序观测及隐状态建模，具体监督需求与数据规模要求尚未验证。可考虑复用函数展开、先验与学习框架，但需适配 EEG 的多通道观测、噪声特性及跨被试差异。低信噪比、通道配置变化和有限训练数据可能使隐状态难以辨识，或导致先验约束不合适。一个可证伪的小实验是在固定通道、固定划分的被试内 EEG 数据上，以留出时段的预测误差比较该模型、线性状态空间模型与弱正则化版本，检验非线性表示及先验是否带来稳定收益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其如何通过与 Gaussian processes 相联系的系数先验约束非线性状态空间模型的灵活性，以及配套序贯 Monte Carlo 学习算法；其对 EEG 动态建模的适用性尚未验证。

1月1日周五
  1. OpenReview · State space models75

    用于学习非线性动力系统的灵活状态空间模型

    基于摘要分析。该研究面向非线性动力系统学习，将状态转移函数和观测函数表示为基函数展开，并从数据中学习展开系数。其核心贡献是利用与 Gaussian processes 的联系构建系数先验，以调节模型灵活性、抑制过拟合，并设计基于 sequential Monte Carlo 的参数学习算法。 机制上，基函数展开承担非线性函数的表示，系数先验则可理解为正则化：作者希望保留展开形式的表达能力，同时改善泛化。学习算法用于估计展开系数及其他未知参数；摘要称其具有学习方面的理论保证，但保证的具体对象、成立条件和收敛性质尚未验证。基函数类型、先验形式、隐状态设定、训练流程与推理成本也需查阅全文。 作者报告，该方法在一个经典 benchmark 和真实数据上取得有希望的结果，但摘要未给出数据名称、划分协议、对照方法或量化指标，因而不能判断收益大小，也不能与其他协议下的结果直接比较。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 的时序变化可由低维隐状态及非线性观测关系近似，该框架可能用于潜在动力学建模；这是假设，不是已证实的 EEG/BCI 效果。可复用部分是基函数表示、系数先验和序贯推断思路，需改造的是多通道观测关系、噪声假设及被试差异处理。低信噪比、通道变化和小数据可能使隐状态难以辨识，跨被试非平稳性也可能削弱泛化。一个可检验的小实验是在固定通道的单被试 EEG 上，采用互不重叠的训练与测试时间段，在匹配基函数规模和推断预算的条件下，对比带该先验与弱正则化版本的留出预测误差及稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其如何将基函数展开、Gaussian processes 关联先验与 sequential Monte Carlo 学习结合，以兼顾非线性动力学表达能力和正则化；具体理论保证及实验收益仍需全文核对。

  2. OpenReview · State space models80

    非线性状态空间模型的结构化推断网络

    基于摘要分析。本文研究线性与非线性状态空间模型的高效学习，提出统一算法，联合训练生成模型与推断网络，覆盖以深度神经网络建模发射分布和状态转移分布的变体。 核心机制是使用循环神经网络参数化具有结构的变分近似，以逼近潜在状态的后验分布，同时学习生成模型与编译式推断网络（compiled inference network）。其方法重点在于推断端的后验结构，而非仅以神经网络替换生成端的分布。摘要未给出具体后验依赖关系、分布族、损失表达式或训练与推理流程，这些细节尚未验证。 作者报告在合成及真实数据集上展示了方法的可扩展性与适用性，并报告结构化后验近似带来了显著更高的留出数据似然。摘要未提供数据集名称、划分方式、对照基线、具体数值及统计检验信息，因此不能判断收益大小或直接比较不同实验协议；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 序列可由潜在状态及其转移过程描述，该机制可能用于非线性潜在动态建模和时序推断，但原领域的似然提升不等于 BCI 解码效果提升。可考虑复用状态空间生成模型与结构化推断思路，需针对 EEG 的通道观测、噪声和序列切分改造发射模型与训练流程；摘要未说明是否依赖任务标签或需要多大数据规模。低信噪比、跨被试分布差异、通道变化及小数据可能使模型拟合非任务相关动态。一个可检验的小实验是在固定被试内划分与相同生成模型下，对比结构化和非结构化变分近似，分别评估留出似然及固定下游解码器的表现，检验生成建模收益是否转化为任务收益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其如何用具有结构的变分后验联合学习推断网络与状态空间生成模型；作者报告该近似提升了留出数据似然，但其对 EEG 潜在动态建模的价值尚未验证。

  3. OpenReview · State space models80

    非线性状态空间模型的结构化推断网络

    基于摘要分析。本文研究如何高效学习线性与非线性状态空间模型，提出统一学习算法，将结构化变分推断网络与生成模型联合训练，适用于发射分布和状态转移分布由深度神经网络建模的情形。 核心机制是用循环神经网络参数化结构化变分近似，以逼近潜在状态的后验分布，同时学习可直接执行推断的 compiled inference network 与生成模型。其方法重点不仅在于使用非线性生成函数，也在于通过结构化后验近似处理序列推断。摘要未说明后验的具体因子分解、循环网络结构、损失形式或训练与推理流程，这些细节尚未验证。 作者报告，该算法在合成与真实数据上展现了可扩展性和适用性，并且采用结构化后验近似所得模型具有显著更高的留出数据似然。摘要未提供数据集名称、划分方式、对照方法、似然数值或显著性检验信息，因此不能据此判断提升幅度，也不能将似然改善等同于下游分类性能提升；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该方法原本面向具有潜在动态状态的序列生成建模，依赖观测序列及其时间结构。若 EEG 的潜在动态能被状态转移与观测发射机制合理描述，结构化后验近似可能用于时序表征学习。可复用的是生成模型与推断网络联合学习的框架；需改造的是多通道 EEG 的观测模型、噪声假设及跨被试处理。低信噪比、通道差异和小样本可能使潜在状态主要拟合伪迹或被试特征。一个可检验的小实验是：固定 EEG 数据划分、生成模型与训练预算，仅比较结构化和非结构化后验近似，核对留出似然及下游任务指标是否同时改善。该假设不是已证实的 BCI 效果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其利用循环神经网络参数化结构化变分后验、联合学习推断网络与状态空间生成模型的机制；作者报告留出数据似然有所提高，但具体对照、统计证据及 EEG 适用性尚未验证。

1月1日周四
  1. OpenReview · State space models72

    用于 Wiener 状态空间系统的双滤波器粒子平滑算法

    基于摘要分析。本文研究 Wiener 状态空间系统中的隐状态平滑问题，提出一种双滤波器粒子平滑算法。核心贡献是利用模型结构，为后向滤波构造问题本身所蕴含的适当提议密度，而非另外引入人工构造的提议密度。 技术上，方法的关键在于模型结构如何支持后向粒子的采样与推断。摘要未给出系统方程、提议密度的具体形式、权重更新或计算复杂度表达式，因此尚不能判断其适用的观测非线性、噪声条件及数值稳定性。 作者报告，通过数值示例与文献中的先进平滑算法比较，该方法取得了与基于后向模拟的粒子平滑算法相当的结果，同时计算复杂度较低。摘要未披露评价指标、粒子数量、状态维度、运行时间或对照算法名称，因而这一结论仅适用于文中数值示例，不能据此量化加速幅度。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 隐状态估计问题能够合理表示为 Wiener 状态空间系统，这种结构化后向提议机制可能用于降低离线平滑的计算负担。可复用的是双滤波器平滑框架；需改造并验证的是 EEG 的状态转移、观测映射及噪声模型。低信噪比、通道耦合与跨被试差异可能导致模型失配或粒子退化。一个可检验的小实验是在已知隐状态的合成 Wiener 系统中加入不同强度的观测噪声，固定粒子数量与计算环境，对比该方法和后向模拟平滑器的状态估计误差及运行时间，再判断是否值得进入 EEG 验证。该实验不构成 BCI 有效性的证据，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其利用 Wiener 状态空间模型结构构造后向滤波提议密度的思路；作者报告其以较低计算复杂度取得与基于后向模拟的粒子平滑算法相当的结果，具体比较协议仍需全文核对。

1月1日周三
  1. OpenReview · State space models71

    基于区间数据的 MIMO 系统阶数与状态空间模型辨识

    基于摘要分析。本文研究测量误差未知但有界时，如何辨识多输入多输出（MIMO）线性时不变系统的阶数及状态空间模型，将此前面向单输出系统的方法扩展到 MIMO 情形。核心贡献是利用特定排列的数据矩阵确定模型阶数，并将初步辨识得到的 ARX 模型转换为状态空间模型。 方法以采样测量数据的区间表示为起点，用区间覆盖未知但有界的测量误差，最终得到参数为区间形式的离散时间模型，以表示测量误差引起的参数不确定性。这属于系统辨识与不确定性表征方法，不是预训练模型或神经网络架构。作者指出，阶数确定和模型转换两个步骤不能从多输入单输出（MISO）情形直接推广。摘要称论文讨论了方法的优缺点并提供示例，但具体矩阵构造、区间运算、辨识条件、误差界设定及示例结果尚未验证，无法据此判断其精度、计算代价或相对优势。 平台推测（待验证）：假设某段多通道 EEG 可近似为线性时不变系统，且输入可观测、测量误差存在可信界限，这一框架可能用于研究动力学参数对测量误差的敏感性。可考虑复用区间数据表示与参数不确定性传播思路，但需重新定义 EEG 的输入输出关系、噪声界限及局部平稳时间窗。低信噪比、突发伪迹、跨被试差异、通道变化和短记录可能使误差界过宽或模型难以辨识；区间参数也不等同于统计置信区间。 一个可检验的小实验是先使用已知阶数和参数的多通道线性仿真系统，在明确有界噪声下检验阶数恢复及参数区间覆盖，再评估与目标 EEG 场景的对应关系。这仅是机制验证建议，不构成 EEG 或 BCI 有效性的证据；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将有界测量误差传播为模型参数区间，并针对 MIMO 系统提供阶数确定与 ARX 到状态空间模型转换方法；其适用于 EEG 的误差假设与辨识条件尚未验证。

12月31日周二
  1. OpenReview · State space models72

    结构化自回归状态空间模型中的序贯参数学习与滤波

    基于摘要分析。本文研究带结构化先验的自回归（AR）状态空间模型，提出基于粒子的序贯滤波与参数学习算法，使隐状态和模型参数能够随观测到来进行在线估计。研究对象是时间序列建模，并以模拟数据及一段人类 EEG 信号展示方法应用，而非直接提出或验证 BCI 解码算法。 核心机制是在系统层面的 AR 系数上引入非共轭结构化先验：先对 AR 特征多项式倒数根的模与波长指定均匀分布或截断正态分布先验，再由根的结构约束 AR 系数。这种参数化方式将先验与振荡周期及动态特征联系起来；摘要未给出具体先验范围、模型阶数、观测方程或参数更新细节。 作者报告实现并比较了三种序贯蒙特卡洛（SMC）方法，比较使用来自不同状态空间 AR 模型的模拟数据；另以人类 EEG 信号分析说明结构化模型对生物医学信号的描述能力。摘要未提供三种方法的名称、评估指标、数值结果、EEG 被试与采集信息，也无法判断具体比较结论。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若目标是跟踪 EEG 振荡动态，根结构先验与在线滤波可能具有可复用价值，但依赖振荡结构能够被 AR 模型合理表示，以及先验范围与信号相匹配。用于多通道或跨被试分析时，需要进一步处理通道耦合和个体差异；低信噪比、伪迹、先验失配及粒子退化可能影响估计稳定性。一个可检验的小实验是在固定模拟协议下，比较结构化先验与常规 AR 系数先验对已知振荡参数的在线恢复能力，并逐步降低信噪比，再以独立 EEG 片段核对拟合和预测表现。该实验建议不代表已证实的 BCI 收益；除材料中的 EEG 示例外，相关 EEG 后续工作尚未检索确认。复现仍需全文确认算法、先验、粒子配置及数据处理细节。

    阅读价值：该研究将 AR 特征根结构先验与在线状态及参数估计结合，并提供人类 EEG 分析实例，值得核对其对振荡结构的表达方式及三种 SMC 方法的比较，但摘要尚不足以确认 BCI 任务收益。

1月1日周二
  1. OpenReview · EEG73

    多通道 EEG 压缩：基于小波的图像与体数据编码方法

    基于摘要分析。本文研究多通道 EEG 的无损与近无损压缩，通过将信号组织为图像矩阵或体数据张量，利用空间相邻通道及时间上的相关性，再结合小波变换与残差编码，实现可指定最大重建误差的压缩。 核心机制是“有损编码加残差编码”：先对 EEG 的矩阵或张量表示进行基于小波的有损编码，再对残差进行算术编码。与各通道独立压缩相比，该表示旨在共同利用跨通道和时间冗余。摘要称这一流程能够保证原始信号与重建信号之间的最大误差满足指定约束，但具体数据排列方式、小波配置、残差构造及误差约束实现尚未验证。 作者报告，在三个采样率和分辨率不同的 EEG 数据集上，所提多通道方法相较逐通道压缩算法获得较有吸引力的压缩比。摘要未提供数据集名称、被试数、划分方式、基线名称、压缩比数值或误差阈值，因此不能量化优势，也不能比较不同数据条件下的收益；实验协议、消融及统计信息尚未验证。 该工作的直接贡献是 EEG 数据编码，而不是 EEG 解码或 BCI 分类方法。复现时需核对通道空间布局、信号分块与张量组织方式、原始量化精度、无损及近无损配置，并分别测量压缩比、最大重建误差和计算开销。平台推测（待验证）：近无损压缩是否保留 BCI 所需的微弱信号特征，还应在固定下游任务与评估协议下比较原始信号和重建信号，不能仅凭最大幅值误差受控推断任务性能不受影响。

    阅读价值：值得核对其利用 EEG 跨通道与时间相关性的压缩表示，以及残差编码如何约束重建误差；作者报告优于逐通道压缩，但具体压缩收益与下游任务影响尚未验证。

  2. OpenReview · State space models78

    使用 Particle MCMC 的 Gaussian Process 状态空间模型贝叶斯推断与学习

    基于摘要分析。该研究面向时间序列与动力系统中的非线性、非参数状态空间建模，提出同时进行状态估计与系统辨识的全贝叶斯方法。核心贡献是在状态转移动力学上设置 Gaussian process 先验，并通过边缘化转移函数与专门设计的 Particle Markov Chain Monte Carlo（Particle MCMC）采样器推断联合平滑分布。 机制上，模型用 Gaussian process 表达未知状态转移关系，而非预先限定转移函数的参数形式；推断时将该函数积分消去，直接对潜在状态序列进行联合平滑推断。摘要指出，取得平滑分布样本后，可以解析地构造状态转移预测分布。作者称该方法保留模型完整的非参数表达能力，并可利用稀疏 Gaussian process 大幅降低计算复杂度；摘要未提供运行时间、复杂度量化或对照结果，因此不能据此确认具体加速幅度。 材料未说明观测模型、先验与超参数的具体处理、采样器细节及稀疏近似设置，也未给出数据集、样本规模、评估指标或实验划分。实验协议、消融及统计信息尚未验证；复现需进一步核对这些设置，以及采样收敛诊断和计算预算。 平台推测（待验证）：其可能对应 EEG 中未知非线性潜在动力学与状态估计不确定性的建模需求，但原论文并非 EEG 或 BCI 验证。迁移假设是 EEG 观测可由具有可学习转移规律的潜在状态生成；可复用 Gaussian process 转移先验及 Particle MCMC 推断思路，需改造多通道观测模型、噪声假设和跨被试处理。低信噪比可能导致状态辨识不稳定，被试差异可能破坏共享动力学假设，多通道长序列增加推断成本，小数据则可能使后验受先验主导。可先在单被试短 EEG 序列上固定观测与预处理方案，与线性状态空间模型比较留出连续片段的预测误差、预测区间校准及运行时间，以检验非线性转移是否带来可重复收益；这不等于已证实 BCI 解码有效。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其通过边缘化 Gaussian process 状态转移函数、结合 Particle MCMC 联合处理状态估计与系统辨识的机制，但计算收益及向 EEG 动态建模的适用性尚未验证。

1月1日周六
  1. OpenReview · State space models74

    非线性状态空间模型的系统辨识

    基于摘要分析。本文研究一般非线性动态系统在状态空间形式下的参数估计，核心贡献是在 Maximum Likelihood（ML，最大似然）框架下推导 Expectation Maximisation（EM，期望最大化）算法，将隐状态估计与模型参数优化结合起来。 机制上，E 步需要求解非线性状态估计问题，并获得隐状态的平滑估计；作者采用 particle smoother（粒子平滑器）处理这一环节。摘要称其能够提供任意好的估计，但这一表述的适用条件、粒子数量与近似误差尚未验证。M 步使用标准数值优化技术求解，具体目标形式、优化器及收敛条件需核对全文。作者报告，仿真示例展示了所提方法的有效性；摘要未提供仿真系统、样本规模、对照方法或定量指标，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该方法可能用于 EEG 非线性潜在动态过程的参数辨识，而非直接构成 BCI 解码算法。迁移假设依赖可建立的隐状态转移模型、EEG 观测模型及噪声假设；摘要未明确原方法对监督信息和数据规模的要求。可复用的是 EM 求解框架与粒子平滑环节，需改造的是状态定义、观测映射和跨被试参数处理。低信噪比、多通道带来的状态维度增长，以及小数据下的参数可辨识性，均可能使估计不稳定或计算成本过高。 一个可证伪的小实验是：先在具有已知潜在动态与噪声水平的合成 EEG 观测上，比较该方法与线性状态空间基线的参数恢复误差及独立留出序列预测表现，并检查结果对粒子数量和初始化的敏感性；该实验只能检验建模假设，不能证明 BCI 有效性。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读的是其将非线性状态空间模型的最大似然参数估计分解为粒子平滑与数值优化的 EM 求解路径；用于 EEG 动态建模的价值仍需独立验证。