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。

8,370 条精选近 30 天 1,477 条共收录 12,047 条

更新

精选归档 · 第 330 页

1月1日周日第 6581–6600 条
  1. OpenReview · EEG75

    融合深度学习与专家知识，基于 rs-fMRI 定位儿童药物难治性癫痫的发作起始区

    基于摘要分析。该研究面向儿童药物难治性癫痫（PRE）的术前发作起始区（SOZ）定位，提出 DeepXSOZ，将深度学习的空间特征编码与浅层学习的专家知识编码结合，辅助筛选静息态 fMRI（rs-fMRI）独立成分。其主要研究对象是影像辅助术前定位与专家筛选流程，而非 EEG 解码或 BCI 控制。 研究背景是：rs-fMRI 经独立成分分析后，可为 iEEG 深部电极布置提供定位参考，但手术团队需为每位患者人工筛选数百个独立成分，限制了流程的可重复性与可用性。摘要指出，单独使用深度学习能够表征脑网络空间特征，但在稀缺儿童数据条件下面临精确率不足；基于专家规则的浅层学习则难以覆盖完整的空间特征谱。DeepXSOZ 通过结合两类信息构建专家在环的独立成分筛选方法，具体网络结构、融合机制与训练目标尚未验证。 作者报告，在包含 52 名 PRE 儿童、与作者所称当前先进方法比较的评估中，DeepXSOZ 的敏感度为 89.79%、Precision 为 93.6%、Accuracy 为 84.6%，筛选工作量减少 6.7 倍。摘要未说明数据划分、各指标的统计单位、参考标注及具体对照方法，因此这些结果不能直接视为跨患者泛化能力或临床结局改善的证据。 作者还报告进行了知识水平消融，并提出可根据手术团队的专业能力，将系统配置为优先减少专家筛选负担或保持较高敏感度。将 rs-fMRI 用作低成本门诊术前筛查工具属于作者提出的潜在应用，尚不能据此认定其已获临床验证。复现需核对独立成分生成与标注流程、专家知识编码、配置规则、患者级划分以及筛选工作量的计算口径；实验协议、消融及统计信息尚未验证。

    阅读价值：值得阅读的是 DeepXSOZ 将深度学习空间特征与专家规则结合，并将专家筛选工作量与敏感度作为可配置目标，但其临床效益及评估协议仍需全文核对。

  2. OpenReview · State space models75

    通过组装器间的共创空间实现可扩展的几何碎片组装

    基于摘要分析。本文研究考古学与 3D 计算机视觉中的几何碎片组装，提出由多个组装器构成的共创空间，旨在不依赖语义信息的条件下逐步、明确地完成碎片组装，并通过基于几何的碰撞损失改善组装过程中的碰撞问题。 方法的核心是让多个组装器在共创空间中参与组装，而非仅依据碎片的语义信息进行匹配。摘要未说明共创空间的表示形式、组装器之间的信息交互方式、碎片位姿的求解过程，也未给出碰撞损失的数学定义及其与其他训练目标的组合方式，因此尚不能判断这些模块的具体实现与各自贡献。 作者报告，在 PartNet 和 Breaking Bad 数据集上的实验优于所比较的现有先进框架，并报告该框架具有线性计算复杂度、更强的抽象能力与更好的泛化能力。摘要未提供具体指标、分数、数据划分、对照方法及复杂度所对应的自变量；实验协议、消融及统计信息尚未验证，不能据此量化性能收益或确定可扩展性的适用范围。 摘要提供了公开代码地址，可作为进一步核对实现的入口，但代码内容、运行依赖与结果可复现性尚未验证。本文的主要研究对象是三维几何碎片组装，而非神经信号建模；现有材料没有给出其与 EEG/BCI 瓶颈的具体对应关系，因此不据此提出 BCI 迁移效果或复现实验建议。

    阅读价值：值得关注多组装器共创空间与基于几何的碰撞损失如何支持不依赖语义信息的碎片组装，但摘要不足以验证其复杂度优势及泛化边界，也未建立与 EEG/BCI 的具体机制对应。

  3. OpenReview · Representation learning79

    Relational Deep Learning：关系数据库上的图表示学习

    基于摘要分析。本文研究如何直接利用关系数据库中由主键—外键连接的多表数据进行机器学习，提出 Relational Deep Learning（RDL），以图表示学习替代手工连接、聚合并构造单一训练表的流程。研究主要对象是关系数据库上的预测与表示学习，而非 EEG 或 BCI。 核心机制是将数据库表示为时序异构图：每张表中的每一行对应一个节点，主键—外键关系对应边，再通过 Message Passing Graph Neural Networks 跨表传播信息、提取表示。该方法依赖可识别的实体、表类型及关联结构；摘要未说明时间信息如何进入消息传递、具体监督任务、损失函数或训练与推理流程。 作者同时提出 RelBench，包含基准数据集及 RDL 实现，数据范围涉及 Stack Exchange 讨论和 Amazon Product Catalog 图书评论。作者报告该路线能够提高模型准确性并缩短模型构建时间，但摘要未提供具体任务、数据划分、对照方法、指标数值或开发耗时测量方式。实验协议、消融及统计信息尚未验证，不能据此判断优势幅度或跨任务稳定性。 平台推测（待验证）：若 EEG 研究数据以被试、会话、试次及临床记录等关联表组织，RDL 的实体建图与跨表消息传递可能用于融合这些结构化信息，但不能直接替代原始 EEG 的时序编码。迁移需改造信号特征接口，并核对预测时可用的关系与时间边界；低信噪比、跨被试差异、通道配置变化和小样本均可能削弱收益。一个可检验的小实验是在固定跨被试划分及相同 EEG 特征下，比较单表聚合模型与关系图模型，并移除关系边检验关联结构的增益。上述为迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读之处是将关系数据库中的多表关联明确映射为时序异构图，并提供 RelBench 作为研究载体；其性能与开发效率优势仍需结合全文中的任务、基线和评估协议核对。

  4. OpenReview · State space models78

    连续空间随机博弈中的去中心化多智能体强化学习

    基于摘要分析。本文研究一般状态空间随机博弈中的去中心化多智能体强化学习（MARL），重点考虑智能体无法观察彼此动作的信息结构。作者提出去中心化 MARL 算法，并报告建立了其策略更新的近优性理论结果。 相较于主要面向有限状态博弈的既有研究，本文的研究对象扩展到一般状态空间，同时限制智能体对其他参与者动作的可观测性。除所提算法外，作者还分析了一类基于最佳响应（best-reply）的算法的全局策略更新动态，并报告推导出联合策略空间上收敛概率的闭式刻画。这里的策略更新近优性与全局动态的收敛概率是两个不同层面的结论，不宜合并解读为任意连续空间博弈中均能保证全局最优收敛。 摘要未给出状态空间与策略类别的具体条件、奖励与转移信息的可得性、策略更新实现方式，以及近优性的误差定义和收敛概率的适用假设；这些是理解理论结果边界及复现算法时需要核对的内容。实验协议、消融及统计信息尚未验证。材料未涉及 EEG 或 BCI，也未建立与神经信号任务的具体机制对应，因此不能据此认定其具有 BCI 应用效果。

    阅读价值：值得关注的是在智能体无法观察彼此动作的一般状态空间随机博弈中，作者对去中心化策略更新近优性与联合策略空间收敛概率给出理论刻画，其适用假设仍需核对全文。

  5. OpenReview · EEG75

    BCI 评估的伪在线框架：MOABB 视角

    基于摘要分析。该研究关注离线 BCI 评估与实际连续使用场景之间的差异，提出扩展 MOABB，以重叠滑动窗口处理已采集的 EEG，并引入空闲状态事件，使运动想象（MI）算法能够在伪在线条件下接受比较。 核心机制是将已有数据按短时间窗口依次处理，模拟实时接收信号，而不是仅对预先确定的任务片段进行离线分类。摘要提出引入 idle state，以覆盖非任务思维状态；这一设置使评估不仅关注任务类别之间的区分，也涉及任务与非任务状态的区分。伪在线处理不承担真实在线系统的实时约束，因此不能直接等同于在线验证。 评估方面，作者采用 normalized Matthews Correlation Coefficient（nMCC）和 Information Transfer Rate（ITR）。作者报告，在多个包含多名被试的 MI 数据集上分析了过去 15 年的先进算法，并从统计角度展示离线与伪在线两种评估方式的差异。摘要未提供数据集名称、算法清单、被试数、指标数值或差异方向，因而不能据此判断哪些算法更适合连续使用，也不能量化离线评估与伪在线评估之间的性能差距。 复现时需核对滑动窗口长度与步长、空闲状态的标注规则、训练与测试划分、重叠窗口在划分中的处理方式，以及 nMCC 的归一化定义和 ITR 的时间计算口径。摘要对同步与异步 BCI 的表述存在需进一步核对之处，不宜据此建立二者与离线模式的固定对应关系。实验协议、消融及统计信息尚未验证，MOABB 扩展的实现与可获取性也尚未验证。该工作的主要价值是改进评估协议，而非已证实提高分类算法性能或真实在线 BCI 效果。

    阅读价值：值得阅读的具体原因是该研究将 MOABB 的离线评估扩展到包含空闲状态的伪在线评估，可用于核对运动想象分类算法在不同评估模式下的表现差异，但其与真实在线性能的一致性尚未验证。

  6. OpenReview · State space models79

    重新审视（非）欧几里得空间中的差分隐私随机凸优化

    基于摘要分析。本文研究欧几里得空间及一般 ℓ_p^d 空间中的差分隐私随机凸优化（DP-SCO），针对有界约束、无约束及重尾数据三类情形提出算法与理论分析，主要贡献是刻画隐私保护下的期望超额总体风险。 在欧几里得空间的有界凸约束集上，作者分别研究凸损失和强凸损失。作者报告，其风险界通过约束集的 Gaussian width（高斯宽度）体现几何复杂度，而非直接依赖环境空间维度；这不意味着 Gaussian width 本身与维度无关。作者还报告，强凸情形的界在相差一个对数因子的意义下最优。具体风险界、隐私参数、样本量依赖及正则性假设尚未验证。 另两类问题分别是 ℓ_p^d 空间中的无约束 DP-SCO，以及该空间中有界约束集上的重尾数据 DP-SCO。作者声称为这些情形提出新算法并给出首次理论结果，但所提供摘要在适用 p 范围处截断，无法确认完整范围，亦无法确认重尾分布的矩条件、算法步骤及噪声机制。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务可表述为基于固定特征和有界参数集的凸风险最小化，约束集几何复杂度可能为隐私与效用权衡提供分析路径；重尾理论也可能与异常幅值或伪迹导致的特征分布有关，但二者不能直接等同。可复用部分是隐私凸优化框架，需改造并核对 EEG 特征、损失、约束集及隐私邻接定义，尤其要区分试次级与被试级隐私。低信噪比、跨被试分布差异和小样本可能使优化风险保证无法转化为解码收益。一个可检验的小实验是在固定 Cross-subject 划分、相同特征与凸分类损失下，对比满足同一隐私预算及邻接定义的算法，检验不同约束几何下的效用变化；具体算法和假设须先由全文确认。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其以约束集 Gaussian width 刻画隐私优化误差的理论条件，以及重尾数据情形的适用假设；这些结果尚不能直接视为 EEG 隐私学习的有效性证据。

  7. OpenReview · State space models78

    通过潜空间运动扩散执行你的指令

    基于摘要分析。该研究面向条件人体运动生成，即根据动作类别或文本描述生成合理的运动序列，提出 Motion Latent-based Diffusion model（MLD）：先用 Variational AutoEncoder（VAE）将运动序列编码为低维潜码，再在运动潜空间中进行条件扩散，以降低直接对原始运动序列建模的计算开销。 核心机制是将运动表征学习与条件生成分开。作者认为，人体运动具有较高多样性，且其分布与自然语言等条件模态差异较大；同时，运动捕捉序列可能包含冗余与噪声，直接建模原始序列与条件输入的联合分布会增加计算负担，并可能引入噪声伪影。MLD 因而先学习紧凑的运动表示，再在该表示空间中建立条件到运动的生成映射。摘要未给出 VAE 结构、潜码维度、损失函数、条件注入方式或扩散采样配置。 作者报告，在多种人体运动生成任务上，MLD 相较所比较的先进方法获得显著改进，并相较直接在原始运动序列上运行的既有扩散模型实现两个数量级的速度提升，同时降低训练与推理开销。但摘要未列出数据集、划分、生成质量指标、具体基线及计时硬件与采样设置，因此质量收益和加速范围尚需核对；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：“先压缩序列、再进行潜空间生成”的机制可能用于探索 EEG 条件生成或数据增强的计算瓶颈，但这是假设，而非本文结论。原方法依赖运动序列与动作类别或文本条件，迁移时需重新设计 EEG 编解码器及条件表示；低信噪比、跨被试差异、通道布局变化和小样本可能使压缩过程丢失任务相关信息。可在固定被试内划分、相同训练数据和计算预算下，对比原始 EEG 空间扩散与潜空间扩散，检验生成保真度、下游任务表现和推理耗时。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其通过 VAE 压缩运动序列、再在潜空间进行条件扩散的效率收益，但摘要中的质量与速度优势仅涉及人体运动生成，尚不能视为 EEG/BCI 有效性证据。

  8. OpenReview · State space models73

    通过再生核希尔伯特空间中的知识迁移实现快速车辆路径规划

    基于摘要分析。本文研究车辆路径问题（VRPs）的重复求解效率，提出结合核方法的迁移优化（transfer optimization，TO），在再生核希尔伯特空间（RKHS）中学习不同 VRP 实例之间的联系，以复用相关问题的求解经验。 核心机制是改变跨问题知识联系的建模空间：传统优化通常从头求解，而既有 TO 方法虽能利用已求解实例的知识，但主要在低维欧氏空间中建立联系。作者提出在 RKHS 中刻画不同实例间客户关系的非线性关联，以增强知识迁移的建模能力。摘要未说明具体核函数、实例表示、对应关系学习方式，以及迁移知识如何进入后续求解过程，这些实现条件尚未验证。 评估方面，作者报告在知名 VRP 基准上与既有先进 TO 方法开展比较，并使用京东提供的真实包裹配送问题（PDP）进一步评估。摘要未给出基准名称、实例规模、划分方式、路线质量、运行时间或加速幅度，因此不能据此量化其效果；实验协议、消融及统计信息尚未验证。复现时需核对知识构建与迁移本身的开销是否计入总求解时间，以及源问题与目标问题的相关性如何定义。 本文的直接研究对象是物流组合优化，而非 EEG 或 BCI。摘要未提供其机制与神经信号任务之间的具体对应关系，不能据此推断跨被试迁移或其他 BCI 场景中的有效性；相关 EEG 工作尚未检索确认。

    阅读价值：值得关注其将车辆路径问题间的知识迁移从低维欧氏空间扩展到 RKHS 的机制，但非线性关系建模能否带来稳定的求解加速，仍需核对全文中的性能与计算开销对照。

  9. OpenReview · EEG73

    READS-V：通过基于骨架的时空 ViG 实时自动检测监控视频中的癫痫发作

    基于摘要分析。该研究针对持续癫痫发作监测中 EEG 设备带来的佩戴与便携性限制，提出基于患者视频骨架的时空 Vision Graph 神经网络 VSViG，并结合概率累积决策实现实时发作检测。主要研究对象是视频中的癫痫相关动作，而非 EEG 信号解码或 BCI 控制。 技术机制：VSViG 使用骨架时空图建模识别患者动作，旨在改善既有骨架动作识别方法对细微发作动作的辨识能力。系统进一步将模型输出概率与累积函数结合，形成发作检测决策。摘要未提供骨架提取方法、图构建方式、训练损失、时间窗口或决策阈值，尚不能据此还原具体实现。 结果与评估背景：在作者收集的患者视频数据上，作者报告 VSViG 相比既有先进动作识别模型取得更好的准确性及计算效率，给出的指标为错误率 5.9%、计算量 0.4G FLOPs、模型规模 1.4M；摘要未明确模型规模单位及 FLOPs 的输入长度口径。加入上述决策规则后，作者报告相对于 EEG 发作起始的检测延迟为 5.1 秒，相对于临床发作起始提前 13.1 秒，并报告零误检。两个时间指标采用不同参照起点，不能互换，也不应将提前临床起始理解为提前 EEG 起始预测。 验证与复现：被试数量、发作类型、监测时长、数据划分、是否采用跨被试评估、对照模型及统计不确定性均尚未验证；零误检的适用范围需结合这些条件判断，不能外推为全天候居家监测中的零误报保证。摘要提供了项目主页，但代码、数据与完整复现条件尚未核实。该工作可作为视频辅助癫痫监测方法阅读，现有材料不支持其已替代 EEG 诊断或已验证 BCI 有效性的结论。

    阅读价值：值得阅读的是骨架时空图建模与概率累积决策如何兼顾视频癫痫发作识别的计算开销和检测时延，但摘要报告的零误检仍需结合监测时长、数据划分及统计口径核对。

  10. OpenReview · EEG70

    基于任务相关多视图对比学习的听觉注意解码

    基于摘要分析。该研究针对听觉注意解码（Auditory Attention Decoding，AAD）：在多人同时说话的场景中，从 EEG 判断听者正在关注的说话者。作者提出结合多视图 VAE 与任务相关多视图对比学习（task-related multi-view contrastive，TMC）的方法，旨在利用受注意语音与 EEG 之间的任务关联，提取更贴近解码目标的表征。 核心机制方面，作者受 Broadbent 过滤器模型启发，将受注意语音与 EEG 视为任务相关的不同视图。摘要称，在多视图 VAE 中引入 TMC，可借助缺失视图将不同视图的先验知识融入融合表征，提取近似的任务相关表征。这一设计区别于摘要所述难以充分利用视图先验的既有深度学习方法，但“缺失视图”的具体定义、如何参与训练，以及推理时需要哪些输入，尚未验证；VAE 的结构、对比样本构造、损失形式及权重也不能由摘要确定。 结果方面，作者报告在两个常用 AAD 数据集上进行了评估，并在与当时最先进方法的比较中显示优势。摘要未提供数据集名称、被试数、划分方式、解码时间窗、指标或具体数值，因此无法判断该优势适用于被试内、跨被试还是其他协议，也不能量化提升幅度。 复现时值得核对视图可用性、受注意语音信息的使用阶段、训练与测试输入的一致性，以及比较方法和评价协议。实验协议、消融及统计信息尚未验证，代码与数据处理细节亦需依据全文或补充材料确认。该论文直接研究 EEG 听觉注意解码，不应据此进一步推断其对其他 BCI 任务的有效性。

    阅读价值：值得阅读的具体原因是将受注意语音与 EEG 的任务关联纳入多视图 VAE 和对比学习，探索借助缺失视图改善 AAD 表征的机制；其优势及推理阶段的视图需求仍需结合全文核对。

  11. OpenReview · State space models74

    在表征空间中消除联邦学习的域偏差

    基于摘要分析。本文研究统计异质性下的联邦学习（FL）：客户端数据域的偏差可能使局部训练产生表征偏差，并导致通用表征退化。作者提出通用框架 Domain Bias Eliminator（DBE），旨在通过减少服务器与客户端在表征空间中的域差异，改善泛化与个性化能力。 机制方面，作者的理论分析认为，DBE 减少表征空间中的域差异可促进服务器与客户端之间的双向知识迁移。摘要未说明域差异的度量、具体损失形式、局部训练与服务器聚合流程，因此尚不能判断 DBE 如何嵌入不同 FL 方法，也不能将其归为某种已明确的对齐算法。 结果方面，作者报告在四个数据集上的实验中，DBE 能改善现有 FL 方法的泛化与个性化能力，并称搭载 DBE 的 FL 方法明显优于十种先进的个性化 FL 方法。摘要未提供数据集名称、客户端划分、异质性构造、指标及数值，故无法量化改善幅度或直接比较不同协议。实验协议、消融及统计信息尚未验证。作者提供了公开代码地址，但代码内容与复现条件尚未核验。 平台推测（待验证）：假设将客户端对应为不同 EEG 被试或采集中心，DBE 的表征域差异处理可能对应跨被试或跨中心分布偏移这一瓶颈。可考虑复用其服务器—客户端表征协调机制，但需适配 EEG 编码器、通道差异及任务标签结构；摘要未交代原方法依赖的监督形式和数据规模。低信噪比、小样本与被试特异性可能使域对齐同时削弱有效任务信息。可检验的小实验是在固定跨被试客户端划分、相同编码器与通信预算下，对比基础 FL 方法及其 DBE 版本，并分别评估全局模型与个性化模型的表现。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性证据。

    阅读价值：值得核对 DBE 如何在表征空间减少服务器与客户端的域差异，以及其对泛化与个性化的改善能否在一致的联邦学习协议下复现；摘要尚不足以确认具体实现和效果幅度。

  12. OpenReview · State space models73

    通过光流复用实现高效视频时空超分辨率

    基于摘要分析。本文研究视频时空超分辨率（ST-VSR），目标是同时提升视频的空间分辨率和帧率。针对既有方法计算开销较高、长程时序信息利用效率不足的问题，作者提出采用光流复用策略的双向循环网络 OFR-BRN，以支持高效的视频重建。 核心机制是复用相邻帧的中间光流，利用多帧运动信息并减少帧对齐的重复计算。BRN 的隐藏状态由复用光流更新，再通过 Feature Refinement Module（FRM）细化。作者称，该策略相较传统 LSTM-based 设计降低了对齐计算负担并节省内存；中间光流估计还用于推断非线性运动、改善细节恢复。摘要未提供光流组合方式、FRM 结构、损失函数或训练设置，这些信息尚未验证。 作者报告，OFR-BRN 在重建精度与效率上优于所比较的先进方法，但摘要未列出数据集、划分协议、具体基线、指标数值及运行硬件，因而无法判断优势幅度或比较条件。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库地址，但代码完整性、依赖环境与结果可复现性尚未核对。 平台推测（待验证）：可借鉴之处是复用局部变换来降低长程时序信息聚合成本，而不是把视频光流直接用于 EEG。其原机制依赖图像空间结构及可估计的帧间运动；EEG 的低信噪比、跨被试差异和不一致的通道布局可能使对应关系失效。若探索迁移，需要将光流对齐替换为适合 EEG 的时序或特征对齐，并改造隐藏状态更新与细化模块。一个可检验的小实验是在固定 EEG 数据划分、相同循环主干与训练条件下，对比逐步重新估计对齐和复用局部对齐，联合观察任务指标、运行时间与显存占用，检验误差累积是否抵消效率收益。该假设不构成已证实的 BCI 效果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其通过复用相邻帧中间光流降低多帧对齐开销的机制，以及重建质量与计算效率的权衡；摘要中的性能优势仍需结合全文实验协议验证。

  13. OpenReview · State space models70

    利用强化学习动作空间分解的受约束投资组合管理

    基于摘要分析。本文研究金融投资组合管理中的多期受约束决策，例如涉及卖空或要求某行业的投资占比达到最低水平；提出 Action Space Decomposition Based Optimization（ADBO），通过优化较简单的代理任务，并将动作映射回原任务，处理原始决策问题。 核心机制是改变强化学习所优化的任务与动作表示，而非直接在原问题上使用受约束马尔可夫决策过程（CMDP）方法。摘要将采样效率、超参数调节以及约束违反缺乏保证列为现有 CMDP 方法可能面临的问题，但未说明动作空间如何分解、代理任务如何构造、映射是否始终满足约束，也未提供目标函数、训练流程或理论保证；这些内容尚未验证。 作者报告，在两个使用真实世界数据的投资组合构建任务上，ADBO 持续优于用于一般 CMDP 的先进基准方法。摘要未提供数据名称、划分方式、具体基线、收益或风险指标、约束违反率及数值结果，因此无法判断优势的幅度与适用边界。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 BCI 的强化学习控制任务存在明确的可行域，例如辅助设备控制的动作幅度限制，这种“代理动作到原动作”的映射可能具有借鉴意义。可复用的是约束处理思路，需改造的是动作语义、可行域与反馈目标；它并不直接解决 EEG 解码的低信噪比、跨被试差异或小数据问题。一个可检验的小实验是在固定解码器和相同交互预算下，对比代理动作映射与直接 CMDP 控制的任务完成率及约束违反率，并测试解码噪声增大时的稳定性。相关 EEG/BCI 工作尚未检索确认。

    阅读价值：值得阅读的是 ADBO 将受约束投资组合决策转化为较简单代理任务、再映射回原动作空间的思路，但其约束保证与作者报告的基线优势仍需全文核对，尚不能据此认定对 BCI 有效。

  14. OpenReview · State space models80

    可数无限状态空间马尔可夫决策过程中的最优策略贝叶斯学习

    基于摘要分析。本文研究未知动力学下可数无限状态空间 Markov Decision Processes（MDPs）的最优控制，针对有限状态学习算法不能直接适用的问题，提出采用动态长度回合的 Thompson sampling 算法，并给出贝叶斯遗憾上界。主要研究对象是通信网络或计算系统等排队模型，而非神经信号建模；这里的状态空间也不指用于序列建模的 State Space Model 架构。 问题设定为离散时间 MDP：状态空间为 Z_+^d，动作空间 A 有限，代价函数无界，未知参数 θ 服从给定的固定先验。每个回合开始时，算法通过 Bayes 规则更新后验并采样参数估计，再据此选择该回合执行的策略。摘要未说明动态回合长度的具体确定规则。 作者报告，在用于保证所选策略诱导的马尔可夫链稳定性的遍历性假设下，结合平均代价 Bellman 方程的解，可建立 Õ(d h^d √(|A|T)) 的贝叶斯遗憾上界，其中 T 为时间范围，d 为状态空间维度，|A| 为动作数量；摘要未解释 h 的含义。该结果是特定模型与假设下的理论上界，不是经验性能分数。作者还以两种未知动力学的排队模型说明算法可用于构建近似最优控制方法，但具体模型、验证方式和对照结果尚未验证。 复现或核对理论时，应重点确认遍历性条件的适用范围、无界代价的控制条件、平均代价 Bellman 方程的求解要求，以及后验更新和策略计算的可行性。全文、证明细节、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若某类闭环 BCI 控制可明确表述为未知参数驱动的 MDP，回合级后验采样或可作为探索与控制的候选机制；但摘要没有建立这种对应，且神经状态的可观测性、非平稳性及安全探索约束是否满足其理论假设尚不清楚，因此暂不提出具体 EEG 迁移实验。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是其在可数无限状态空间、无界代价与遍历性假设下对 Thompson sampling 建立贝叶斯遗憾上界的理论路径，但这不构成 EEG 解码或 BCI 控制有效性的证据。

  15. OpenReview · Representation learning76

    LSOR：纵向一致的自组织表征学习

    基于摘要分析。LSOR 面向纵向脑 MRI 的可解释表征学习，试图解决高维潜空间中自组织映射（SOM）训练不稳定、所得网格未必体现脑龄等临床相关信息的问题。方法仅依赖纵向脑 MRI，不使用人口统计或认知信息进行所述表征学习，通过软聚类和纵向轨迹对齐构建按脑龄组织的潜空间。 SOM 将潜空间划分为簇，并将簇中心映射到通常为二维的离散网格，以保留高维簇间关系。LSOR 以软聚类替代既有 SOM 方法的硬分配，作者据此报告训练稳定性改善；同时，将纵向 MRI 推断的轨迹与相应 SOM 簇的参考向量对齐，使潜空间呈现脑龄分层。这里的研究对象是脑 MRI 的纵向变化与疾病相关表征，而非 EEG 解码或 BCI 控制。 作者报告，在 Alzheimer's Disease Neuroimaging Initiative（ADNI，N=632）的纵向 MRI 上，LSOR 获得可解释潜空间；在稳定型与进展型轻度认知障碍分类，以及全体被试 ADAS-Cog 评分回归任务中，其表现与所比较的先进表征相当或更好。摘要未给出具体分类指标、回归误差、数据划分及基线配置，不能据此量化收益或跨协议比较。实验协议、消融及统计信息尚未验证；脑龄分层的验证方式与训练稳定性的量化证据也需查阅全文。摘要提供了代码仓库，但运行条件与结果复现情况尚未验证。该摘要尚不足以建立向 EEG/BCI 迁移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结论。

    阅读价值：值得关注的是以软聚类稳定 SOM 学习、以纵向轨迹对齐组织潜空间的可解释性机制；其脑龄分层与下游预测表现仍需结合全文实验协议核对，不能视为已验证的 BCI 方法。

  16. OpenReview · State space models78

    EfficientSCI：用于大规模视频快照压缩成像的时空因子分解稠密连接网络

    基于摘要分析。该研究针对视频快照压缩成像（SCI）中重建算法计算成本高、受 GPU 显存限制而难以处理高压缩比大规模视频的问题，提出 EfficientSCI，以稠密连接和时空因子分解构建高效的端到端重建网络。其主要研究对象是压缩光学测量中的视频恢复，而非神经信号解码。 SCI 使用二维探测器在单次曝光内记录连续多帧视频的压缩测量，再由算法恢复视频序列。EfficientSCI 在残差块内结合稠密连接与时空因子分解，分别用空间域卷积和时间域 Transformer 建模空间、时间相关性。摘要未提供具体网络规模、损失函数、训练数据及测量算子的实现细节，不能将其归为状态空间模型。 作者报告，在高压缩比 UHD 彩色视频重建场景中，单个端到端模型可从二维快照测量恢复视频，PSNR 超过 32 dB；但摘要未给出该结果对应的具体压缩比、数据划分及测量条件。作者还报告，在仿真与真实数据上，相比此前 SOTA 算法获得更好的重建表现和实时性能；具体基线、速度、显存占用、实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，复现仍需核对数据、编码掩模、训练配置与硬件条件。 平台推测（待验证）：可借鉴的是将空间与时间依赖分开建模的思路，而不是直接迁移光学 SCI 的重建结果。若用于 EEG，需将规则图像网格上的空间卷积改为适配电极布局的空间建模，并重新定义输入、监督与任务目标；低信噪比、跨被试差异、缺失通道及小数据可能削弱时间 Transformer 的收益。一个可检验的小实验是在同一 EEG 数据集、相同跨被试划分和训练预算下，对比空间卷积加时间 Transformer 与仅时间卷积的模型，同时记录任务指标、显存与推理延迟。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其通过空间卷积、时间 Transformer 与稠密连接降低视频 SCI 重建开销的机制，但作者报告的高压缩比 UHD 重建结果仍需结合完整测量协议和资源消耗核对，不能据此认定其适用于 EEG。

  17. OpenReview · State space models73

    面向实体消解的低成本上下文学习：设计空间探索

    基于摘要分析。本文研究实体消解（Entity Resolution，ER）中如何降低大语言模型上下文学习（In-Context Learning，ICL）的调用费用，提出 BATCHER 框架，将示例选择与问题批处理结合，并探索不同设计选择对匹配准确性和费用的影响。研究对象是数据集成中的实体匹配，而非神经信号建模或 BCI 解码。 方法动机是：基于预训练语言模型（PLMs）的 ER 方法通常需要大量带有匹配／不匹配标签的实体对进行微调；LLM 则可利用提示中的少量标注示例执行任务，无需调整模型参数。但若每个待判定实体对都单独附带任务说明与示例，会产生重复的提示开销。BATCHER 从 demonstration selection 和 question batching 两个环节组织批量提示，并提出基于覆盖的示例选择策略，目标是在匹配准确性与货币成本之间取得平衡。摘要未说明覆盖的具体定义、选择算法、批次构造规则或成本计算方式，这些细节尚未验证。 作者报告，在其 ER 实验中，批量提示相较于使用大量标注数据微调的 PLM 方法，以及采用人工设计提示的 LLM 方法，具有较好的成本效益；研究还提供了批量提示设计选择的指导。摘要未给出数据集、模型配置、数据划分、标注预算、匹配指标或费用数值，因此无法核对收益幅度或不同基线的比较条件。实验协议、消融及统计信息尚未验证。 复现时需核对提示模板、示例选择依据、批量大小、输出解析规则，以及模型调用价格与准确性评估口径。现有材料没有建立实体对匹配机制与 EEG/BCI 瓶颈的具体对应关系，不据此提出 BCI 迁移方案；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示例选择与问题批处理平衡实体消解的匹配准确性和 LLM 调用费用，但摘要未提供量化结果，也不支持推断其对 EEG/BCI 的有效性。

  18. OpenReview · State space models74

    发现用于 DAG 结构学习的动态因果空间

    基于摘要分析。本文研究如何从纯观测数据中发现变量间的因果结构，提出动态因果空间 CASPER，将图结构信息纳入可微 DAG 结构学习的评分函数，以改善候选图评价与学习过程；原论文并非针对 EEG 或 BCI 的方法。 技术机制：可微、基于评分的 DAG 学习器将组合优化转化为带有 DAG 约束的可微优化。作者认为，既有方法的评分函数独立于图的无环性，主要衡量数据拟合，因而可能得到次优 DAG 并产生模型脆弱性。CASPER 的核心思路是在评分中考虑图结构，并通过对无环性的自适应关注调整学习过程，使因果空间中的度量反映估计 DAG 与真实 DAG 的因果距离。摘要未给出该距离、评分函数、约束或优化过程的具体数学定义，尚不能判断其实现与计算开销。 证据与边界：作者报告，经验可视化支持 CASPER 具有结构感知和噪声鲁棒性等性质；在合成及真实世界数据上的实验中，其准确性和鲁棒性优于所比较的先进因果发现方法。摘要未提供数据集名称、样本规模、指标定义、具体数值及基线配置，实验协议、消融及统计信息尚未验证。纯观测因果发现所依赖的可识别性假设，以及方法如何处理潜在混杂，也需查阅全文确认。 平台推测（待验证）：若 EEG 研究目标是从通道或源空间变量估计有向结构，结构感知评分可能具有借鉴价值，但原领域结果不等于 EEG 因果连接有效性。可考虑复用评分与 DAG 优化机制，变量构造及时间依赖建模则需另行设计；EEG 的低信噪比、混合观测、跨被试差异和小样本可能削弱结构恢复。一个可证伪的小实验是，在具有已知 DAG 的模拟源信号中加入观测混合与噪声，对照相同数据和优化预算下的结构恢复表现，检验结构感知评分是否仍有收益。已有 EEG 相关工作尚未检索确认。

    阅读价值：CASPER 将图结构纳入可微 DAG 学习的评分函数，值得核对其结构感知机制及噪声鲁棒性证据，但摘要不足以验证具体实现与比较协议。

  19. OpenReview · State space models72

    通过潜在空间分解揭示独特概念向量

    基于摘要分析。该研究针对概念解释依赖人工预定义概念、容易受使用者预期影响的问题，提出事后无监督方法，从已训练深度模型的潜在表征中自动发现概念向量；主要研究对象是通用深度模型的可解释性与训练数据探索，并非 EEG 或 BCI 解码。 方法将模型某一层的潜在空间分解为奇异向量，再通过无监督聚类细化，旨在获得沿高方差方向、与模型预测相关且语义相互区分的概念向量。相较于预定义概念的分析，其关键变化是从模型表征中发现概念，而非先由使用者指定解释词汇。摘要未说明具体分解矩阵、聚类算法、概念数量选择或预测相关性的计算方式，这些实现条件尚未验证。 作者报告，在所开展的实验中，多数发现的概念可被人理解、具有一致性并与任务相关；作者还报告，该方法可在训练数据探索中识别受多种混杂因素影响的异常样本。摘要未提供数据集、模型架构、评价协议、对照基线或定量指标，实验协议、消融及统计信息尚未验证。作者提出的跨数据类型与模型架构适用性也需结合具体实验范围核对。 平台推测（待验证）：若 EEG 解码器的层内表征具有可分解的稳定结构，可复用其表征分解与聚类流程，探索高方差方向对应任务信息还是伪迹、被试差异等混杂因素；需将概念展示与验证方式改造为适合 EEG 的时频、空间或试次级分析。该假设不等于已有 EEG 效果：低信噪比、通道差异及小样本可能使高方差方向主要反映噪声，而非稳定语义。一个可检验的小实验是在固定 EEG 解码器和数据划分下，检查发现的概念能否稳定区分已标注伪迹与任务类别，并通过概念方向干预核对其预测相关性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其通过奇异向量分解与无监督聚类发现概念、定位混杂训练样本的机制，但概念的语义独特性及跨数据类型适用范围仍需全文实验支持。

  20. OpenReview · State space models77

    WildFusion：在视图空间学习 3D 感知潜在扩散模型

    基于摘要分析。WildFusion 研究从自然场景图像数据学习 3D 感知图像合成的问题，针对共享规范坐标系难以定义的情形，改在视图空间建模实例，并通过具备 3D 感知能力的自编码器与潜在扩散模型实现图像生成和新视角合成。 核心机制分为两个阶段：首先训练自编码器，将图像压缩为同时捕获其底层 3D 结构的潜在表示，使其不仅支持重建，也支持新视角合成；该阶段利用单目深度预测提供的线索学习 3D 表示。随后在这一 3D 感知潜在空间中训练扩散模型，以生成具有 3D 一致性的图像。摘要未说明具体网络结构、深度线索的约束方式、损失函数及推理流程。 相对于在共享规范空间中表示实例的方法，该工作的关键变化是以视图空间为建模基础。作者指出，在这一设置下，已有 GAN 方法容易生成扁平几何，并在分布覆盖上遇到困难；作者报告 WildFusion 能生成高质量、3D 一致的样本，并优于近期先进 GAN 方法，但摘要未提供数据集、划分、对照方法名称或量化指标，尚不能判断优势的幅度与适用范围。 作者强调，训练不使用多视角图像或 3D 几何的直接监督，也不需要附带相机位姿的图像或学习位姿、相机分布；这不等同于完全不使用几何线索，因为方法明确依赖单目深度预测。复现时需核对深度预测器及其训练来源、自编码器的几何约束、潜在空间构建方式，以及新视角一致性与分布覆盖的评估协议。实验协议、消融及统计信息尚未验证。 原论文的主要对象是 3D 图像与内容生成，而非神经信号分析。现有材料未建立其视图空间和单目深度机制与 EEG/BCI 瓶颈的具体对应关系，因此不据此提出迁移效果或复现实验建议；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其如何利用单目深度线索在视图空间构建支持新视角合成的潜在表示，以及相对 GAN 方法的几何一致性和分布覆盖优势；摘要未提供直接对应 EEG/BCI 的机制或证据。