跳到正文

研究类型与证据

论文/研究 最新动态

论文/研究 类型索引，不代表质量等级。

722 条精选近 30 天 450 条共收录 924 条

更新

精选归档 · 第 32 页

1月16日周二第 621–640 条
  1. OpenReview · Representation learning79

    正确的 Laplacian 表征学习

    基于摘要分析。本文研究强化学习中的状态表征问题，提出用于近似 Laplacian 表征的新目标函数及配套优化算法，旨在准确恢复图 Laplacian 的特征向量和特征值，避免既有近似方法中的任意旋转及相关超参数依赖。 Laplacian 表征通过图的谱结构编码状态，可用于探索、泛化与迁移，也可为时间扩展动作发现和奖励塑形提供内在奖励。摘要指出，既有适配深度学习的近似目标存在难以高效调节的超参数，且可能收敛到目标特征向量的任意旋转，无法准确恢复对应特征值。作者报告，新方法具有理论保证，并在多个环境中表现出稳健的学习效果；但摘要未提供目标函数形式、优化步骤、环境名称、基线及量化指标，实验协议、消融及统计信息尚未验证。“消除超参数依赖”应限定为摘要所指的既有近似方法依赖，不能解释为整个训练过程无需超参数。 平台推测（待验证）：若 EEG 数据能够构造具有可靠邻接关系的样本图，该方法可能用于学习保留谱结构的表征，探索 EEG 表征的稳定性问题。这是假设，原领域效果不等于 BCI 效果。迁移需核对原方法对状态转移数据、图构造和采样规模的要求；可考虑复用谱目标与优化机制，但需改造 EEG 编码器及邻接关系。低信噪比、跨被试差异、通道配置变化和小数据可能使图结构偏离任务相关关系，即便谱恢复准确也未必改善解码。一个可检验的小实验是在固定 EEG 样本图、编码器与被试内划分下，对比既有近似目标和新目标的谱恢复误差、多次训练稳定性及下游解码表现；具体方案须待全文核对后确定。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其目标函数与优化算法如何消除 Laplacian 表征的任意旋转并同时恢复特征值，这直接关系到谱表征的可辨识性与复现稳定性，但具体实验协议尚未验证。

  2. OpenReview · Representation learning76

    以对象为中心的架构实现高效因果表征学习

    基于摘要分析。该研究讨论多对象观测为何可能破坏因果表征学习的可辨识性假设，并通过修改 Slot Attention、结合稀疏扰动提供的弱监督，学习各对象属性的解耦表征。作者报告，在一系列简单图像解耦实验中，该架构能够解耦对象集合的属性，且比编码到欧氏空间的可比方法需要更少的扰动。 核心机制：摘要指出，既有相关方法通常假设潜变量表示为 d 维向量，观测由潜变量经过单射生成函数得到。作者认为，多对象观测下该生成映射不再满足单射条件，并报告实践中的解耦失败；其解决路径是将以对象为中心的学习与因果表征学习结合，而非仅使用整体向量编码。Slot Attention 的具体修改、扰动作用于哪些属性、监督信息如何进入训练及损失形式均尚未验证。 证据边界：摘要中的数据效率指所需扰动更少，不宜直接等同于总训练样本、计算成本或标注成本更低。实验仅被描述为简单图像解耦实验；数据集、划分、对照实现、解耦指标、优势幅度、消融及统计信息尚未验证，也不能据此推断真实复杂场景中的有效性。 平台推测（待验证）：迁移至 EEG 的假设是，以稳定成分为单位的表征可能帮助区分混合信号中的潜在因素，但图像对象并不直接对应 EEG 神经源。可借鉴的是 Slot Attention 式成分分解与扰动监督思路；需改造观测编码，并明确哪些扰动能提供可靠监督。低信噪比、源混合、通道变化、跨被试差异和小数据可能使成分不稳定，导致属性解耦失效。一个可检验的小实验是在具有已知潜在源及稀疏扰动的合成 EEG 混合数据上，对比对象式表征与整体向量编码，在相同数据划分和扰动预算下检验源属性恢复及扰动需求。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其对多对象观测中生成映射单射假设失效的分析，以及结合 Slot Attention 与稀疏扰动弱监督的解耦机制；数据效率优势的具体幅度与适用边界尚未验证。

  3. OpenReview · Representation learning81

    面向强化学习的原则性视频表征学习

    基于摘要分析。该研究探讨如何利用视频预训练面向决策的表征，核心目标是恢复底层 MDP 的潜在状态，并从理论上刻画不同噪声条件下的学习难度。研究比较 autoencoding、temporal contrastive learning 与 forward modeling，区分观测中的 iid 噪声，以及具有时间相关性的外生噪声，例如背景中人员或车辆的运动。 理论方面，作者报告：在仅有 iid 噪声的设定下，为 temporal contrastive learning 和 forward modeling 建立了上界，表明这些方法能够学习潜在状态，并支持具有多项式样本复杂度的下游 RL。在同时存在外生噪声的设定下，作者建立下界，说明从视频学习的样本复杂度可能比从带动作标签的轨迹学习呈指数级恶化。该结论针对摘要所述设定，不宜扩展为所有视频预训练方法均无效；定理所需的可辨识性条件、数据生成假设及复杂度依赖项尚未验证。 实验方面，作者报告在两个视觉领域评估了这些表征学习方法，结果与理论发现一致。摘要未提供领域名称、数据规模、划分、对照细节或具体指标；autoencoding 的具体理论结论，以及实验协议、消融及统计信息尚未验证。摘要也未说明实现与复现资源。 平台推测（待验证）：若将视频中的潜在状态与外生干扰结构对应到 EEG，本文可为区分任务相关动态与时间相关干扰提供分析视角，但前提是潜在状态及决策结构的假设适用。可借鉴的是噪声分类与表征目标的比较框架；观测建模和决策接口需针对 EEG 改造。低信噪比、跨被试差异、通道变化及小数据都可能破坏状态可辨识性，不能由视觉领域结论推出 BCI 效果。一个可检验的小实验是在可控潜在状态的多通道模拟信号中，分别加入 iid 与时间相关干扰，比较上述表征方法的状态恢复能力，并在明确记录动作的决策设定中加入带动作标签的轨迹对照。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其对 iid 噪声与时间相关外生噪声的理论区分，以理解视频预训练何时支持高效下游 RL、何时相较带动作标签的轨迹面临样本复杂度障碍；具体定理条件尚待全文核对。

  4. OpenReview · Representation learning76

    理解 CLIP 中的可迁移表征学习与零样本迁移

    基于摘要分析。本文研究 CLIP 如何通过视觉—语言对比预训练学习可迁移的联合表征，以及这些表征为何能支持下游零样本迁移；贡献包括跨模态特征对齐的形式化分析、零样本迁移性能分析，以及由理论分析启发的新 CLIP-type 方法。 机制与证据：CLIP 利用图像与文本两种模态的对比预训练学习联合表征。本文围绕不同模态的特征如何对齐展开理论研究，并以真实数据实验支持理论分析。摘要未提供理论假设、对齐的数学定义、性能界或新方法的具体改动，因此尚不能判断其结论依赖何种数据结构、监督条件与训练规模，也不能将其归纳为某种具体损失或网络结构。 结果与核验：作者报告，新 CLIP-type 方法在基准数据集上优于 CLIP 及其他当时的先进方法。摘要没有给出数据集名称、任务、划分、指标或提升幅度；实验协议、消融及统计信息尚未验证。复现需进一步核对预训练数据、对照模型、零样本提示与评估设置，以及实现和计算资源要求。 平台推测（待验证）：跨模态对齐分析可能为 EEG 与文本或其他模态的联合表征研究提供理论视角，但这是迁移假设，不是本文已验证的 BCI 结果。可借鉴的是对齐与迁移的分析思路；EEG 编码、配对语义和时序聚合需另行设计，低信噪比、跨被试差异、通道配置与小样本可能削弱对齐效果。由于具体方法和理论条件尚不明确，目前不宜据此制定方法级复现实验；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其对 CLIP 跨模态特征对齐与零样本迁移的理论分析，但新方法的性能优势及其对 EEG 的适用性仍需结合全文与实验协议核验。

  5. OpenReview · Representation learning81

    面向预测任务类的表征学习博弈

    基于摘要分析。研究关注未来预测任务尚未确定、但已知其所属任务类时，如何学习降维表征并控制信息压缩造成的预测损失。作者提出双人博弈：第一方选择表征，第二方从给定任务类中对抗性地选择预测任务，以比较压缩表征与原始特征所能达到的最小预测损失。 核心机制是以预测遗憾（regret）作为博弈目标，即使用表征时的最小预测损失相对于使用原始特征时的差异；表征方最小化遗憾，任务方最大化遗憾。任务类承担先验知识的作用，因此框架并非针对单一已知任务优化降维，而是面向一组可能出现的任务控制最坏情形代价。 在表征、待预测响应及预测器均为线性函数、损失为均方误差的设定下，作者报告推导了纯策略下的理论最优表征，以及混合策略下的最优遗憾，分别用于说明任务先验与表征随机化的作用。对一般表征、预测函数和损失函数，作者提出仅需损失梯度的随机化表征优化算法，通过逐步向混合中加入表征规则进行优化。摘要未提供数据集、实验指标或具体实现；理论成立条件、随机化在训练与推理中的执行方式、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 特征上的未来任务可被合理界定为一个任务类，该框架可能用于检验降维是否保留多任务预测所需的信息，而不只优化单一标签。可复用的是任务类约束、遗憾目标和混合表征优化思想；需改造的是 EEG 特征构造、任务类定义及损失设计。任务先验失配、低信噪比、跨被试分布变化、通道不一致与小数据下梯度估计不稳定，都可能使原领域机制无法直接迁移。一个可检验的小实验是在固定 EEG 数据划分和预先定义的任务类上，比较原始特征、同维度确定性表征与随机化表征的各任务预测损失及最坏情形遗憾，并分别报告被试内与跨被试结果。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其以任务类先验约束最坏情形预测遗憾的表征学习框架，以及纯策略最优表征与混合策略最优遗憾的理论区别；其对 EEG 降维的价值尚未验证。

  6. OpenReview · Representation learning82

    非独立同分布、非各向同性数据下的样本高效线性表征学习

    基于摘要分析。本文研究如何从异质来源或任务的数据中学习共享线性表征，在带噪向量观测 y = Mx + w 中恢复线性算子 M，允许协变量 x 非独立同分布且非各向同性。核心贡献是提出 De-bias & Feature-Whiten（DFW），改造交替最小化—下降（AMD）方案，以减轻表征更新偏差并改善多任务数据带来的统计收益。 机制与理论：作者指出，忽略各向同性问题的既有元学习方法会在表征更新中引入偏差，使噪声项无法保持随源任务数量增加而改善的有利尺度，进而让样本复杂度受单个任务的数据量限制。作者报告，在其理论条件下，DFW 可线性收敛至最优表征，噪声水平随源任务总数据量增大而降低，并得到与 oracle empirical risk minimizer 同阶的泛化界。摘要未提供具体去偏公式、白化估计方式或定理假设，不能将该结论理解为适用于任意相关数据。 数值验证：作者报告，多项数值模拟支持 DFW 的重要性；其中，普通 AMD 即使面对独立同分布但轻度非各向同性的数据，也可能严重失效。具体模拟规模、误差指标、对照配置、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，若 EEG 任务可近似为共享线性特征与任务特定映射，且跨被试或跨会话的协变量分布满足相应理论条件，DFW 的去偏与特征白化思路可能缓解协方差差异造成的表征更新偏差。可复用的是更新机制，需改造的是 EEG 特征构造、任务定义及协方差估计；低信噪比、小样本、通道差异或病态协方差可能使白化不稳定，线性共享表征假设也可能不成立。一个可证伪的小实验是在固定跨被试训练／测试划分及每个源被试样本量的条件下，逐步增加源被试数量，对比普通 AMD 与 DFW 的目标被试预测误差，检验增益是否随总源数据量增长。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其对非各向同性数据导致表征更新偏差的分析，以及 DFW 如何恢复随源任务总数据量改善的噪声尺度；这些机制对异质 EEG 表征学习的适用性尚未验证。

  7. OpenReview · Representation learning74

    基于细粒度交互的蛋白质–配体结合表征学习

    基于摘要分析。该研究针对蛋白质–配体结合预测中监督数据有限、模型泛化受限的问题，提出以细粒度交互为核心的自监督表征学习方法。不同于分别预训练蛋白质和配体的思路，作者将预训练表述为：给定结合口袋与配体，预测最终结合复合物结构。 机制上，方法采用基于 Transformer 的交互模块，并设置原子对距离图预测与配体掩码重建两项预训练任务，分别从结构空间和特征空间建模结合交互。摘要未说明距离图的具体覆盖范围、掩码策略、损失形式及任务组合方式，这些实现细节尚未验证。 作者报告，该方法在蛋白质–配体亲和力预测、虚拟筛选和蛋白质–配体对接等任务中表现优于对照方法，但摘要未提供数据集、数据划分、基线名称、指标或数值，因而无法判断优势幅度及泛化边界。实验协议、消融及统计信息尚未验证；复现还需核对预训练数据来源、复合物结构处理、下游训练设置，以及代码和模型权重的可用性。 平台推测（待验证）：可借鉴的是“显式关系预测与掩码重建联合预训练”的机制，而非直接移植分子结合模型。其原始任务依赖结合口袋、配体及原子级结构关系；EEG 中可假设用通道间关系预测辅助掩码信号重建，以应对标注有限时的表征学习问题。可复用交互建模和双任务框架，但需改造输入编码与关系目标，不能将原子距离直接等同于 EEG 功能连接。低信噪比、参考方式、跨被试差异和通道配置变化均可能使关系目标不稳定，小数据下也可能学到伪迹。一个可证伪的小实验是：在固定 Cross-subject 划分和相同预训练数据条件下，对比仅掩码重建与加入关系预测的模型，检验下游性能及通道扰动稳定性是否改善。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其以原子对距离预测和配体掩码重建联合学习细粒度交互的自监督机制，但摘要中的多任务优势仍需结合完整实验协议核对，向 EEG 的迁移尚未验证。

  8. OpenReview · Representation learning73

    FLD：用于结构化运动表征与学习的傅里叶潜在动力学

    基于摘要分析。FLD 面向基于物理的运动学习中参考轨迹稀疏、部分运动区域数据覆盖不足的问题，提出自监督的结构化运动表征与生成方法，提取周期或准周期运动中的时空关系，并通过连续参数化的潜在动力学支持运动插值与泛化。 机制与贡献：摘要将结构化运动表征、连续潜在空间及在线运动跟踪控制联系起来。作者报告，利用运动参数化信息的控制器可在线跟踪多种运动，包括训练期间未见的目标；当提出潜在风险目标时，控制器通过回退机制动态调整跟踪策略，转向安全动作执行。摘要未说明 Fourier 参数化的具体形式、自监督目标、训练流程、风险判定条件及安全动作定义，这些内容尚未验证。 证据边界：摘要未提供数据集、运动类型、训练与测试划分、对照方法或量化指标，因此尚不能判断插值与泛化提升的幅度，也不能将安全回退描述等同于经过形式化验证的安全保证。实验协议、消融及统计信息尚未验证；复现所需实现、配置与数据条件也需查阅全文。 平台推测（待验证）：假设连续潜在动力学能够保留任务相关的周期结构，该机制可能用于探索节律性 EEG 的表征，但运动轨迹的周期结构不等同于 EEG 的神经振荡，已有 EEG 相关工作尚未检索确认。可考虑复用周期结构提取与潜在参数化思路，需改造 EEG 输入编码及任务评估；运动控制器与安全动作回退不能直接视为 BCI 模块。低信噪比、非平稳性、被试和通道差异，以及小数据条件下的周期估计误差，均可能使迁移失败。一个可证伪的小实验是在固定被试内划分的 SSVEP 数据上，比较采用与不采用该结构化潜在表征的同一分类流程，在相同训练数据量和预处理下检验分类 Accuracy，并考察加入噪声后差异是否仍然存在；这仅是迁移假设，不是本文已验证结果。

    阅读价值：值得阅读其如何利用周期或准周期运动的时空结构构建连续潜在动力学，并将运动参数化用于未见目标的在线跟踪；具体泛化效果与安全回退机制仍需全文核对。

  9. OpenReview · Representation learning76

    NfgTransformer：标准式博弈的等变表示学习

    基于摘要分析。本文研究标准式博弈（Normal-form games，NFGs）的神经网络表示，核心问题是：策略重新编号不改变博弈本身，但模型应随策略置换相应变换其表示或输出。作者提出利用这一等变性的 NfgTransformer，以统一的 NFG 表示支持多种博弈论任务。 机制与贡献：摘要将策略置换等变性作为架构的归纳偏置，而非将策略排列视为具有固定语义的输入顺序。这一区分关注等变性而非单纯的不变性：博弈意义保持一致，策略相关表示仍需与重新编号对应。具体输入编码、注意力结构、等变性实现方式、损失函数与训练流程尚未验证。 结果与证据：作者报告，该方法在均衡求解、偏离收益估计（deviation gain estimation）与排序等任务中达到最先进性能，并称模型具有可解释性和多用途性。摘要未提供数据来源、博弈规模、训练与测试划分、对照基线、指标或具体数值，因此这些性能主张的适用范围，以及实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可借鉴之处是依据任务的真实对称性设计表示，但策略重新编号的等价性不能直接推广为 EEG 通道任意置换的等价性，因为通道通常具有电极位置和生理意义。是否能迁移到 EEG/BCI，需先确认对应的数据结构与对称性假设；现有材料不足以支持具体迁移方案或效果判断，相关 EEG 工作尚未检索确认。复现首先需要核对全文中的博弈生成或采样方式、监督信号、评估协议及实现可获得性。

    阅读价值：值得阅读其如何将策略置换等变性纳入统一的博弈表示，并核对该归纳偏置在均衡求解、偏离收益估计与排序任务中的实际贡献；摘要中的性能与可解释性主张尚需全文验证。

  10. OpenReview · Representation learning76

    基于随机数据投影器的自监督表征学习

    基于摘要分析。该研究针对自监督表征学习（SSRL）对人工设计的数据增强及变换不变性假设的依赖，提出通过重构随机数据投影来学习表征的方法，不依赖数据增强或掩码。作者认为，这一路径可减少不同模态及应用特定增强约束带来的适配困难。 核心机制是以随机数据投影的重构作为学习任务，而非借助增强视图或掩码建模获得监督信号。摘要未说明投影的构造与分布、重构目标的具体定义、损失形式，以及编码器和重构模块的配置，因此尚不能判断哪些随机投影能够保留任务相关信息，也不能将其等同于某种已知的对比学习或降维方法。 作者报告，在覆盖多种模态与实际应用的表征学习任务中，该方法优于多个先进 SSRL 基线；但摘要未提供任务名称、数据集、数据划分、指标或具体数值。“适用于任意数据模态和网络架构”是作者提出的广泛适用性主张，其实际边界仍需结合全文核对。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若随机投影重构能保留 EEG 中的任务相关时空结构，它可能为难以设计可靠增强的小数据表征学习提供替代路径。可考虑复用重构学习思路，但需适配多通道时序输入、通道布局和尺度归一化。低信噪比可能使重构任务偏向噪声或伪迹，跨被试差异与通道变化也可能削弱表征稳定性。一个可检验的小实验是在固定 Cross-subject 划分、仅用训练被试进行自监督训练的前提下，以相同编码器和下游评估流程比较随机投影重构与增强式 SSRL，并检查投影设置变化对结果的影响。以上属于迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对随机数据投影重构如何在不依赖数据增强或掩码的条件下学习表征，以及其跨模态优势的评估边界；对 EEG 的适用性尚未验证。

1月3日周三
  1. OpenReview · EEG72

    从 EEG 脑记录中学习鲁棒的深度视觉表征

    基于摘要分析。该研究关注如何从 EEG 中学习可用于视觉图像分类与重建的鲁棒表征，提出两阶段方法：先提取 EEG 特征并学习深度表征，再将所学表征用于图像生成和分类。 在表征学习阶段，作者使用深度学习架构，结合监督学习与对比学习，在三个数据集上评估特征提取流程的泛化能力，并开展零样本 EEG 分类。摘要未给出具体网络结构、损失形式、三个数据集的完整名称及零样本类别划分，因此尚不能确定这些实验对应跨被试、跨会话还是跨数据集泛化。 作者报告，仅使用 EEG 的单模态学习能够获得被试不变、线性可分的视觉表征，其 k-means Accuracy 优于 EEG 与图像联合表征学习。该对照有助于考察图像模态是否必然改善 EEG 表征，但摘要未提供具体分数、被试划分、聚类评估方式及被试不变性的验证细节，结论仍需结合正文核对。 在生成阶段，作者提出将未见图像映射到 EEG 空间并进行近似重建的框架。作者报告，EEG 图像合成方法在 EEGCVPR40 和 Thoughtviz 上的 Inception Score 分别提升 62.9% 和 36.13%，并声称优于 GAN 相关的现有最佳表现；摘要未明确比较基线、数据划分与计算设置。这些数字是 Inception Score 的相对提升，而非分类 Accuracy 或百分点增益，也不能单独说明重建图像与原始刺激的一致性。 复现时应核对 EEG 预处理、视觉刺激与试次划分、监督及对比学习所用信息、零样本任务定义，以及生成阶段实际使用的输入。尤其需区分“将未见图像映射到 EEG 空间后重建”与“仅凭实测 EEG 重建未见刺激”两种评估情形。实验协议、消融及统计信息，以及代码和模型的可用性尚未验证。

    阅读价值：值得核对其仅用 EEG 学习视觉表征与 EEG—图像联合表征的对照，以及零样本分类和未见图像重建的评估协议，以判断作者所称被试不变性与泛化能力的适用范围。

1月1日周一
  1. OpenReview · State space models75

    Coupled Mamba：通过耦合状态空间模型增强多模态融合

    基于摘要分析。该研究针对多模态融合中复杂的模态内与模态间关联，提出 Coupled SSM，并构建 Coupled Mamba，在保留模态内状态演化过程独立性的同时耦合不同模态的状态链，试图兼顾跨模态交互建模与硬件感知并行计算。 核心机制是跨模态隐状态转移：当前状态依赖本模态状态链及相邻状态链在前一时间步的状态。为适配硬件感知并行设计，作者通过引入历史状态、推导状态方程得到全局卷积核。其可核对的机制特点是将模态交互引入状态演化过程；具体耦合拓扑、参数化方式、训练目标及并行实现细节尚未验证。 作者报告，在 CMU-MOSEI、CH-SIMS、CH-SIMSV2 的多域输入实验中，相较摘要所称的当前先进方法，三个数据集的 F1-Score 分别提高 0.4%、0.9% 和 2.3%；摘要未明确这些百分比表示相对增幅还是百分点差值，因此不能转换解读。作者还报告推理速度提升 49%、GPU 显存节省 83.7%，但对应基线、硬件、输入规模及测量条件尚未验证。数据划分、实验协议、消融及统计信息均需结合全文核对。 平台推测（待验证）：该机制可能适用于具有时间对应关系的 EEG 与其他模态序列融合，但原任务结果不等于 BCI 有效。可复用的是跨模态状态耦合思路；需改造输入编码、采样率对齐和缺失模态处理。EEG 低信噪比、跨被试差异及小数据条件可能使耦合传播噪声或增加过拟合风险。一个可检验的小实验是在同一同步多模态数据集与相同跨被试划分下，对比独立状态链、简单后期融合与耦合状态链，并检验单模态受噪声污染时的性能变化。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对其跨模态状态耦合与硬件并行实现：摘要给出了具体的状态交互机制及效果、效率结果，但比较基线与评估协议仍需全文验证。

  2. OpenReview · EEG73

    EEGMamba：用于 EEG 分类的双向状态空间模型与混合专家

    基于摘要分析。EEGMamba 面向不同任务中 EEG 信号长度、通道数不一致，以及 Transformer 长序列建模计算开销较大的问题，将 Spatio-Temporal-Adaptive（ST-Adaptive）模块、Bidirectional Mamba 和 Mixture of Experts（MoE）整合为统一的多任务 EEG 分类框架。 机制上，ST-Adaptive 通过空间自适应卷积对不同长度和通道数的 EEG 进行统一特征提取，并引入 class token 实现时间维度适配；摘要未说明具体的长度对齐与通道映射方式。Bidirectional Mamba 用于进一步提取 EEG 特征，作者旨在兼顾长序列处理的分类准确性与推理速度。Task-aware MoE 配置一个通用专家，以建模不同任务 EEG 的差异与共性；专家路由、任务信息如何输入以及训练损失尚未验证。 作者报告，在八个公开 EEG 数据集上进行了测试，覆盖癫痫发作检测、情绪识别、睡眠分期和运动想象四类任务，并报告性能优于对照方法。摘要未提供数据集名称、被试规模、评价指标、具体分数或对照基线，也未明确被试内、跨被试、跨会话或跨数据集划分，因此不能据此确认对未见任务的泛化能力，或量化准确性与速度之间的收益。 复现时应重点核对多任务联合训练与评估协议、异构通道和序列长度的处理，以及 ST-Adaptive、双向建模和通用专家各自的贡献；推理效率比较还需结合输入长度、硬件与计时条件。实验协议、消融及统计信息尚未验证。摘要称代码将于近期发布，当前材料不能确认代码已公开。

    阅读价值：值得核对 EEGMamba 如何通过输入适配、双向状态空间建模和任务感知专家机制处理异构 EEG，但其跨任务泛化与推理效率优势仍需结合全文中的训练划分和对照实验验证。

  3. OpenReview · State space models71

    TrackSSM：基于状态空间模型的通用运动预测器

    基于摘要分析。TrackSSM 针对多目标跟踪（MOT）中运动模型难以兼顾效率与跨场景有效性的问题，提出基于数据依赖状态空间模型（SSM）的统一编码器—解码器框架，利用历史轨迹预测目标边界框的时间位置，为轨迹关联提供位置信息。 核心模块 Flow-SSM 以历史轨迹的位置及运动信息引导边界框的时间状态转移。运动编码器使用 Mamba-Block 编码历史轨迹，flow decoder 则通过级联的 Flow-SSM 运动解码模块，利用编码后的 flow 信息完成位置预测。训练采用 Step-by-Step Linear（S²L）策略：在目标前一帧与当前帧的位置之间进行线性插值，构造逐步线性训练的伪标签，以引导边界框的时间转移。这里的 flow 是轨迹运动信息，摘要不足以将其等同于图像光流。 作者报告 TrackSSM 适用于多种跟踪场景，并在多个基准上取得良好跟踪表现，但摘要未列出基准名称、数据划分、对照方法、具体指标或计算成本，因此无法核对性能提升幅度及效率收益。摘要声明代码和模型已公开；实现细节、实验协议、消融及统计信息尚未验证，也不能据此推断论文接收或发表状态。 平台推测（待验证）：假设以历史信息调节状态转移的机制能够适应 EEG 的时变动态，可将其作为 EEG 时序预测的候选模块。原方法依赖可定位的目标轨迹及相邻帧位置监督；EEG 没有直接对应的边界框，需要改造输入表示、预测输出和监督目标，而 Mamba 编码器与条件化状态转移思路可能复用。低信噪比、通道差异、跨被试非平稳性及小数据训练都可能使运动建模收益无法迁移；线性插值还可能平滑掉真实的快速变化。一个可证伪的小实验是在固定 EEG 数据划分和相同训练预算下，比较 Mamba 基线与加入历史信息引导状态转移的模型在短时序预测中的误差，再单独核对插值监督是否带来收益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其以历史位置和运动信息引导数据依赖状态转移、并用插值伪标签训练运动解码器的机制；摘要未给出定量结果，其优势及向 EEG 时序建模迁移的可行性尚未验证。

  4. OpenReview · EEG79

    EEGPT：通过自回归预训练释放 EEG 通用基础模型的潜力

    EEGPT 针对 EEG 数据格式多样、预训练范式与迁移方法受限的问题，结合电极级建模、自回归预训练和多任务迁移，旨在构建可适配不同采集设备、被试与任务的通用 EEG 基础模型。基于摘要分析，未取得论文全文。 核心机制：作者将每个电极作为基本建模单元，以整合不同电极配置的 EEG 数据；摘要称预训练数据涉及最多 138 个电极，共计 37.5M 个预训练样本，但样本单位、切片方式及数据组成尚未验证。预训练采用 next signal prediction，而非传统 masked autoencoder，目标是捕捉 EEG 的序列与时间依赖；具体预测粒度、序列组织、损失函数与推理流程尚未验证。作者还探索了参数规模最高为 1.1B 的模型的 scaling laws，但摘要未提供规模与性能之间的定量关系。 迁移机制：作者提出跨任务共享的可学习电极图网络，用于多任务迁移学习，并报告任务间具有兼容性与协同作用。摘要称模型支持最多 138 个电极及其任意组合输入；电极身份编码、不同设备的输入对齐方式、缺失电极处理和任务特定模块仍需核对正文。 结果与证据边界：作者报告在覆盖 5 个不同任务的 12 个 benchmarks 上进行评估，并在全部下游任务中优于现有专用模型，同时称广泛消融支持其有效性。摘要未列出任务与数据集名称、被试数、被试内或跨被试等划分协议、基线、指标及数值，因此不能据此量化优势，也不能确认跨设备、跨被试适配的具体评估前提。实验协议、消融及统计信息尚未验证。 复现重点是核对异构数据整合规则、自回归目标与电极图迁移各自的贡献，以及预训练数据和下游评估的关系。摘要中的“首次”及“最大”等表述属于作者主张，尚未独立核实。作者表示将发布代码和模型，当前材料不能确认其已公开。

    阅读价值：值得核对其电极级建模、自回归预训练与共享电极图的多任务迁移如何协同处理异构 EEG，并复现作者报告的跨任务优势；具体划分、对照与统计证据尚未验证。

  5. OpenReview · EEG77

    利用 EEGformer 降低可穿戴癫痫发作检测的误报：面向 MCU 的紧凑 Transformer 模型

    基于摘要分析。研究针对可穿戴设备长期连续监测 EEG 时的癫痫发作自动检测问题，提出紧凑 Transformer 模型 EEGformer，仅使用颞区通道，并通过面向硬件的设计探索兼顾检测延迟、误报率及低功耗 MCU 部署需求。 技术机制：摘要将 Transformer 用于无需手工特征提取的端到端时间序列处理，核心贡献在于将少通道采集条件与端侧计算约束纳入模型设计。具体网络结构、输入窗口、损失函数、训练策略及硬件优化方法尚未验证，不能据摘要判断性能收益分别来自模型设计、预处理还是检测后处理。 检测结果：作者报告，在 CHB-MIT 数据集上，相较于面向颞区采集的现有最先进模型，发作起始检测延迟降低 20%，同时达到 73% 的癫痫发作检测概率和每小时 0.15 次误报（FP/h）。摘要未给出对照模型名称、绝对延迟、被试内或跨被试协议及数据划分，因此这些结果应限定于作者所用评估条件。作者另报告，在一个新的、具有挑战性的头皮 EEG 数据集上，检测到 88% 的标注发作事件，误报率为 0.45 FP/h；该数据集名称、被试规模和评估划分尚未验证，两组结果不能直接比较。 部署结果：作者在单核 Apollo4 MCU 以及并行 GAP8、GAP9 MCU 上评估部署，报告最节能的 GAP9 实现每次推理耗时 13.7 ms、能耗 0.31 mJ。作者据此认为模型可支持少通道、具有多日续航的可穿戴检测系统；但单次推理指标不等于整机续航实测，推理频率、采集与通信功耗及电池条件仍需核对。 复现重点是确认颞区通道配置、连续记录的训练与测试划分、发作事件匹配规则、误报统计时长，以及检测阈值对检出概率、误报率和延迟的影响。实验协议、消融及统计信息尚未验证，代码与部署资源的可用性也尚未确认。该研究属于 EEG 临床监测算法与端侧部署研究，摘要中的检测结果不应直接视为临床有效性验证。

    阅读价值：值得阅读的具体原因是，作者将颞区少通道 EEG 癫痫发作检测的误报率、检测延迟与 MCU 推理能耗联合评估，为可穿戴端侧模型的设计提供了可核对的参考，但数据划分和检测协议仍需全文验证。

  6. OpenReview · State space models75

    槽状态空间模型

    基于摘要分析。该研究针对常规状态空间模型（SSM）以整体状态向量建模、难以显式表达模块化过程的问题，提出 SlotSSMs：将状态表示为多个称为 slots 的向量，通过各槽独立的状态转移及受限的跨槽交互，在长程时序建模中保留或鼓励信息分离。 核心机制是把状态演化拆分到独立槽内，并通过 self-attention 瓶颈实现稀疏的槽间交互。相较于整体状态表示，这一设计引入了独立机制的归纳偏置，适合检验多个对象各自演化、同时存在相互作用的序列建模问题。摘要未说明槽的初始化与分配方式、具体 SSM 实现、损失函数及训练和推理配置，相关细节尚未验证。 作者报告，在 object-centric learning、3D visual reasoning 和 long-context video understanding 任务中，SlotSSMs 相较现有序列建模方法取得显著性能提升；这些任务涉及多个对象及其长程时间依赖。摘要未提供数据集、划分、具体对照方法或指标数值，不能据此量化收益或比较不同评估协议；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，若 EEG 中存在可分离且相互耦合的动态成分，独立槽状态及跨槽交互可能用于建模这些成分，而非直接把槽等同于电极或脑源。可复用模块是槽内时序更新与槽间交互；需改造 EEG 输入编码和槽分配机制。视觉任务中的对象结构不一定对应 EEG 的混合观测，低信噪比、跨被试与通道差异、小数据条件可能导致槽混叠或不稳定。可在固定 Cross-subject 划分下，以匹配参数量的整体状态 SSM 为对照，比较任务指标并检查槽表示稳定性，检验模块化偏置是否带来收益。已有 EEG 相关工作尚未检索确认。

    阅读价值：SlotSSMs 将独立槽状态转移与受限跨槽交互结合，为模块化长程序列建模提供了可核对的机制设计；其能否改善 EEG 中多源动态的分离与建模尚未验证。

  7. OpenReview · State space models73

    探索视觉状态空间模型对后门攻击的鲁棒性

    基于摘要分析。本文研究 Visual State Space Model（VSS）对后门攻击的鲁棒性，重点考察 State Space Model（SSM）机制如何影响触发器敏感性，并研究 patch 处理对后门触发器的影响。后门攻击的目标是在特定触发器出现时使受感染模型输出攻击者指定的标签，同时在正常样本上维持正常行为。 作者报告，SSM 捕获 patch 内上下文信息的机制使 VSS 比不含 SSM 的模型更易受到后门触发器影响；另一方面，所考察的 patch 处理能够有效扰乱这些触发器。基于此，作者进一步考察在每个 patch 中重复出现、以抵抗 patch 扰动的后门触发方式。摘要未给出具体 patch 处理操作、触发器构造、投毒设置或训练细节，机制归因仍需结合正文与消融核对。 作者报告，在三个未具名数据集和多种后门攻击的实验中，VSS 的后门鲁棒性与 Transformers（ViTs）相近，但弱于仅堆叠 Gated CNN blocks、不含 SSM 的 Gated CNNs。摘要未提供具体指标、数值、数据划分及对照配置，不能据此量化差距或推断干净样本性能；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 模型将时间序列切分为 patch 并使用 SSM，重复触发模式与 patch 上下文聚合之间的关系可能成为安全性检查线索，但视觉实验不等于 EEG/BCI 验证。迁移需改造视觉 patch 和触发器为符合 EEG 时间、通道结构的输入模式；低信噪比、跨被试差异及小数据训练可能改变触发器可学习性。一个可检验的小实验是在固定数据划分和投毒条件下，对比含 SSM 与不含 SSM 的模型，测试局部及重复触发器在 patch 扰动前后的攻击成功率与干净样本 Accuracy。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 VSS 的后门敏感性与 SSM 的 patch 内上下文机制及 patch 处理联系起来，并提供与 ViTs、无 SSM 的 Gated CNNs 对照的安全性研究线索；具体实验协议与机制归因尚未验证。

  8. OpenReview · Representation learning76

    通过异构匿名游走进行异构结构表示学习

    基于摘要分析。该研究关注异构网络中的结构相似性表示：节点类型与连接结构的多样组合，使主要面向同构网络的结构学习方法难以直接适用。作者提出 heterogeneous anonymous walk（HAW）及两种变体，并构建 HAW embedding（HAWE）及其变体，以学习节点周围异构结构的表示。 机制上，作者称 HAW 具有区分异构结构的理论保证；HAWE 则通过预测各节点邻域中出现的游走来训练嵌入，以数据驱动方式避免直接使用数量极大的所有可能游走。摘要未给出匿名化规则、节点类型编码、理论保证的适用条件、具体损失与游走采样方式，均需核对全文。其方法重点是结构相似性，而非仅根据连接邻近性学习表示。 作者报告，在合成与真实网络上的实验中，所提方法相较经典同构和异构方法表现突出，并可用于大规模网络；同时以这些实验建立异构结构学习基准。摘要未提供网络名称、任务、数据划分、对照方法、指标或运行成本，无法量化优势或判断不同协议下的可比性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 数据组织为带有明确节点类型的图，HAW 的类型与结构联合表示可能用于研究不同记录之间的结构对应，相关瓶颈是跨被试、通道配置变化时图结构难以对齐。该迁移假设依赖稳定且有意义的节点类型和边定义，并非原文已验证的 EEG 结果。可考虑复用游走编码与邻域预测机制，但需改造 EEG 图构建及节点类型定义；低信噪比造成的边不稳定、通道缺失和小样本都可能使嵌入主要学习记录差异。一个小规模可证伪实验是：固定 EEG 图构建和下游模型，在同一跨被试划分下比较 HAWE、同构匿名游走表示与打乱节点类型的对照，检验类型信息是否带来稳定增益。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读的是 HAW 对异构结构区分能力的理论刻画及 HAWE 的邻域游走预测机制，但其理论条件、基准协议和规模化效果仍需全文核对，EEG 迁移价值尚未验证。

  9. OpenReview · State space models70

    PhysMamba：用于远程生理测量的状态空间对偶模型

    基于摘要分析。该研究针对从面部视频提取生理信号的 Remote Photoplethysmography（rPPG）在真实环境中易受运动伪影和噪声影响的问题，提出 PhysMamba，利用 State Space Duality 构建时频交互双路径模型，以学习更具代表性的特征。 机制方面，作者设计 Cross-Attention State Space Duality（CASSD），促进两条路径之间的信息交换与特征互补。摘要将时频交互及跨路径融合与噪声条件下的鲁棒性提升联系起来，但具体时频表示、状态空间实现、交互位置、损失函数及训练流程尚未验证。 作者报告在 PURE、UBFC-rPPG 和 MMPD 数据集上开展比较实验，并达到 SOTA，尤其在复杂环境下表现突出。摘要未提供具体指标、数值、数据划分及对照方法，因此目前无法判断优势幅度，也不能确定这些结果属于数据集内评估还是 Cross-dataset 评估。实验协议、消融及统计信息尚未验证；复现还需核对视频预处理、信号标签、评估流程及实现可用性。 平台推测（待验证）：若 CASSD 的时频互补机制不依赖面部视频的特定空间结构，可探索其对 EEG 非平稳信号和伪影干扰的适用性。可复用候选是双路径信息交互模块，需改造视频输入与特征编码；原方法对监督信号、数据规模和时频表示的依赖尚不明确。EEG 的低信噪比、跨被试差异、通道变化及小数据条件可能使交互模块放大伪影或过拟合。一个可检验的小实验是在固定 Cross-subject EEG 划分、相同预处理与训练预算下，对比单路径、双路径无交互及 CASSD 交互模型，并检查受控噪声扰动下的性能变化。该迁移假设不构成已验证的 EEG/BCI 效果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其通过 CASSD 实现时频双路径信息交互的机制，但复杂环境下的鲁棒性优势仍需结合完整实验协议、指标与消融核对。