跳到正文

算法、任务与模态

Neurophysiological Priors 最新动态

Neurophysiological Priors 研究索引；按可核对的标签归档，不以热度评价质量。

66 条精选近 30 天 41 条共收录 80 条

更新

精选归档 · 第 4 页

1月1日周三第 61–66 条
  1. OpenReview · EEG75

    CodeBrain：结合解耦 Tokenizer 与多尺度架构的 EEG 基础模型

    基于摘要分析。CodeBrain 面向通道配置、序列长度和任务目标差异导致的 EEG 模型迁移困难，提出将时频解耦 Tokenizer 与多尺度架构结合的两阶段 EEG 基础模型，以增强异质信号表征和长短程依赖建模。 第一阶段，TFDual-Tokenizer 分别对时间与频率成分进行离散化。作者称，这种解耦方式使离散表征空间获得平方级扩展，并可通过跨域 token 分析提供一定可解释性；具体码本配置、组合方式及解释性验证尚未验证。第二阶段，EEGSSM 将结构化全局卷积与滑动窗口注意力结合，用于联合建模稀疏长程依赖和局部依赖，并以掩码自监督目标预测 TFDual-Tokenizer 生成的 token 索引。摘要未给出具体损失形式、掩码策略或训练规模。 相较于全连接 Transformer，作者将 EEGSSM 的设计解释为更贴近脑网络的小世界拓扑，并更高效地捕捉 EEG 的多尺度结构。这是作者的结构动机与结论，尚不能据此认定模型已验证真实脑连接结构，或在计算开销上具有确定优势。 作者报告，在 10 个公开 EEG 数据集上采用 linear probing 评估，结果支持 CodeBrain 的泛化能力。摘要未提供数据集名称、任务、被试数量、划分方式、对照基线和指标数值，因此无法判断其证据对应被试内、跨被试、跨会话还是跨数据集泛化，也不能直接比较不同协议下的性能。 复现时需核对时频解耦与多尺度模块各自的贡献、不同通道配置和序列长度的处理方式，以及预训练与下游评估的数据关系。实验协议、消融及统计信息尚未验证。作者表示代码与预训练权重将在未来版本发布；当前材料不能确认其已公开，也不能据此归类为模型或软件发布。

    阅读价值：值得阅读其时频解耦离散表征与全局—局部依赖建模的组合机制，但作者所述泛化能力与效率优势仍需结合完整评估协议、消融及资源开销核对。

9月26日周四
  1. OpenReview · State space models75

    槽状态空间模型（Slot State Space Models）

    基于摘要分析。该研究针对传统状态空间模型（SSMs）以单一整体状态向量表示序列、难以显式体现底层过程模块化结构的问题，提出 SlotSSMs：将状态组织为多个称为 slots 的向量，以独立机制保持或促进信息分离，同时建模长期时间依赖。 核心机制是各 slot 独立执行状态转移，跨 slot 的稀疏交互则通过 self-attention 瓶颈实现。与传统整体式状态表示相比，其主要设计变化是将状态演化拆分为多个模块，并限制模块间的信息交换。摘要未给出具体 SSM 参数化、self-attention 瓶颈结构、损失函数或训练与推理配置，相关实现尚未验证。 作者报告，在 object-centric learning、3D visual reasoning 和 long-context video understanding 任务中，该设计相较既有序列建模方法获得显著性能提升。这些任务涉及多个对象及其长期时间依赖；摘要未提供数据集、划分、对照方法名称、指标或具体数值，因此无法判断提升幅度及适用边界。实验协议、消融及统计信息尚未验证。材料提供了项目页，但代码、权重和复现配置的可用性尚未验证。 平台推测（待验证）：其原领域机制依赖序列中存在可分解、持续演化且需要交互的对象或因素；具体监督方式与所需数据规模尚不明确。对应 EEG，多个 slots 或可用于表示不同潜在时序因素，独立状态转移与受限交互模块可作为长时依赖建模的候选组件，但输入编码、slot 分配和任务读出需适配 EEG，不能直接将视觉对象等同于电极或脑源。低信噪比、体积传导导致的混合、跨被试差异、通道变化及小数据条件可能使 slots 难以形成稳定分工。一个可证伪的小实验是在固定 EEG 任务与 Cross-subject 划分下，以相同预处理和近似参数预算比较整体式 SSM 与 SlotSSMs，并检验独立状态转移及跨 slot 交互限制是否带来稳定收益。上述为迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：SlotSSMs 将独立状态演化与受限跨 slot 交互结合，为研究模块化长时序建模提供了可核对的机制，但其对 EEG 的适用性尚未验证。

1月1日周一
  1. OpenReview · State space models76

    槽状态空间模型（Slot State Space Models）

    基于摘要分析。该研究针对传统 State Space Models（SSMs）以单一整体状态向量表示序列、难以体现底层过程模块化结构的问题，提出 SlotSSMs：将状态组织为多个称为 slots 的向量，通过独立状态转移与受限交互，保留或鼓励不同机制之间的信息分离。 核心机制是各 slot 独立执行状态转移，并通过 self-attention 瓶颈实现 slots 之间的稀疏交互。与摘要所述的传统整体式状态表示相比，其主要区别是显式引入模块化归纳偏置，同时允许模块交换信息。摘要未说明 slots 的构造方式、交互稀疏性的具体实现、训练目标及计算复杂度，不能据此推定其采用特定 SSM 骨干或获得特定效率收益。 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明显性能提升；这些任务涉及多个对象及其长程时间依赖。摘要未给出数据集、划分、指标数值或具体对照方法，实验协议、消融及统计信息尚未验证。复现前需核对完整模型定义、训练配置，以及项目页是否提供可用实现与实验资源。 平台推测（待验证）：其可迁移假设是，将 EEG 中部分潜在时序过程表示为独立 slots，再用受限交互建模过程间依赖，可能减少不同过程在整体状态中的混合。可复用的是模块化状态演化与交互框架；需要改造的是 EEG 输入编码、slot 分配和任务输出。原研究面向多对象视觉任务，所需对象结构与监督条件尚不明确，EEG 中也不能直接将 slot 等同于脑区或通道。低信噪比、容积传导导致的观测混合、跨被试差异、通道配置变化及小数据训练均可能使分解失效。一个可检验的小实验是在固定 EEG 任务和同一跨被试划分下，比较容量匹配的整体式 SSM 与 SlotSSMs，并对跨 slot 交互做消融，观察模块化是否改善泛化而非仅增加容量。已有 EEG 相关工作尚未检索确认。

    阅读价值：SlotSSMs 将独立状态演化与受限的跨 slot 交互结合，为研究模块化长程时序建模提供了可核对的机制思路，但其在 EEG/BCI 中的适用性尚未验证。

9月22日周五
  1. OpenReview · Representation learning74

    NAR-Former V2：重新审视用于通用神经网络表示学习的 Transformer

    基于摘要分析。该研究关注神经网络架构本身的表示学习，目标是在不实际训练或部署候选网络的情况下预测其属性，辅助网络设计与部署。作者提出 NAR-Former V2，以修改后的 Transformer 同时表示单元结构网络与完整网络。 方法先将网络视为图，通过 tokenizer 将其编码为序列，再将 GNN 的归纳表示学习能力引入 Transformer，以改善对未见架构的泛化；此外还提出若干面向图结构表示的修改。摘要未说明具体编码规则、归纳机制的实现、损失函数及这些修改的组成，不能据此判断其如何保留拓扑关系或处理不同规模的网络。 结果方面，作者报告：在 NNLQP 数据集的完整网络编码与延迟预测任务上，该方法明显优于 GNN 方法 NNLP；在 NASBench101 与 NASBench201 的单元结构网络准确率预测任务上，与其他先进方法取得高度可比的表现。摘要未提供具体分数、指标、划分或目标硬件条件，实验协议、消融及统计信息尚未验证。作者提供了代码链接，但代码可运行性与复现条件尚未核验。 平台推测（待验证）：迁移假设是利用架构表示预测器降低 EEG 候选网络的逐一训练与部署评估成本，而非直接学习 EEG 信号。可复用部分是架构图编码与属性预测框架；需核对 tokenizer 对 EEG 常用算子的支持，并收集任务特定的架构—性能或硬件延迟标签。原方法依赖架构图及其目标属性监督，所需数据规模尚未验证。EEG 的低信噪比、被试和通道差异，以及小样本评估波动，可能使准确率标签不稳定，削弱架构层面的泛化。一个可证伪的小实验是在固定 EEG 数据划分与训练预算下，为一组候选架构采集性能标签，按架构留出测试，与 GNN 预测器比较误差及排序一致性；这属于迁移验证建议，不是论文已完成的实验。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其将 GNN 的归纳表示学习能力融入 Transformer、统一处理单元结构与完整网络的机制，但用于 EEG 网络设计的价值尚未验证。

  2. OpenReview · EEG71

    通过几何感知建模学习拓扑无关的 EEG 表征

    基于摘要分析。该研究针对不同 EEG 数据资源的通道选择不一致，以及信号固有的结构与空间信息难以统一利用的问题，提出将不同通道选择映射到统一拓扑，并在此基础上构建 MMM 预训练框架，以学习拓扑无关的 EEG 表征、支持跨数据集预训练。 MMM 包含 Multi-dimensional position encoding（多维位置编码）、Multi-level channel hierarchy（多级通道层级）和 Multi-stage pre-training strategy（多阶段预训练策略）。摘要明确的机制路径是先统一通道拓扑，再通过上述三个组件组织空间信息、通道层级及预训练过程；但统一拓扑的具体定义、通道映射方式、位置编码构造、层级组织及各训练阶段的目标尚未验证，不能据此推断网络结构或损失形式。 作者报告，该方法在情绪识别基准数据集上相较此前最先进方法取得明显提升。摘要未提供数据集名称、指标、数值、对照方法或数据划分，因此不能量化提升，也不能判断结果属于 Within-subject、Cross-subject 或 Cross-dataset 评估。支持跨数据集预训练是研究目标，不等同于已经验证跨数据集下游泛化；实验协议、消融及统计信息尚未验证。 复现时应优先核对统一拓扑如何处理通道缺失与不同电极配置、预训练数据如何组合，以及三个组件各自的贡献。尤其需要确认情绪识别评估中的被试与数据集划分、预训练和下游数据的关系，以及比较方法是否采用相同协议。这些均是需全文核对的事项，而非已发现的研究缺陷。

    阅读价值：值得阅读的具体原因是其以统一通道拓扑连接不同 EEG 资源，并结合位置编码、通道层级与分阶段预训练；这些设计为跨数据集预训练提供了可核对的机制路径，但性能增益及跨通道配置泛化仍需全文验证。

1月1日周五
  1. OpenReview · EEG72

    基于三维特征表示与空洞全卷积网络的 EEG 情绪识别

    基于摘要分析。针对高维 EEG 情绪识别中稳健且具有代表性的特征学习问题，研究提出结合三维特征表示与空洞全卷积网络的框架 3DFR-DFCN，将电极空间关系及频带相关信息组织为输入，并引入谱范数正则化以降低模型对受扰动 EEG 特征的敏感性。 方法首先将一维特征序列扩展为不同频带的二维电极网格，以利用通道间与频带间相关信息；再将多个激活模式下的电极网格构建为三维 EEG 数组，捕捉其互补信息。DFCN 对该数组进行跨频带、跨通道特征学习，谱范数正则化项（SNR）用于约束扰动敏感性。摘要未明确激活模式的定义、原始特征类型、三维数组各轴的具体组织方式及正则化的数学形式，这些细节尚未验证。 作者报告在 DEAP 和 DREAMER 上开展了被试依赖与被试独立实验。DEAP 上，两类实验按被试依赖／被试独立顺序，valence 分类平均 Accuracy 为 94.59%／81.03%，arousal 为 95.32%／79.91%，dominance 为 94.78%／80.23%。这些数值属于不同评估协议，不能混为单一性能结论；摘要未提供具体数据划分、分类标签设置、对照基线或 DREAMER 的结果数值。 研究的可核对价值在于检验空间与频带信息联合组织、空洞卷积及谱范数正则化各自的贡献，以及其在被试独立条件下的有效性。复现需核对特征提取流程、电极网格映射、激活模式构造、训练配置与划分协议；实验协议、消融及统计信息尚未验证。摘要提出该信息整合对实际或临床情绪评估有意义，但不能据此视为已完成临床有效性验证。

    阅读价值：值得核对其三维 EEG 特征组织与谱范数正则化如何支持跨通道、跨频带学习，以及 DEAP 上被试依赖与被试独立评估结果的差异，但具体划分和稳健性证据尚未验证。