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。

89 条精选近 30 天 45 条共收录 107 条

更新

精选归档 · 第 5 页

1月1日周一第 81–89 条
  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。

  2. OpenReview · EEG73

    利用 EEG 图进行脑拓扑建模以检测听觉空间注意

    基于摘要分析。本文针对多通道 EEG 中听觉空间注意检测（ASAD）的判别特征提取问题，提出 EEG-Graph Net，以图卷积网络和神经网络注意力机制建模 EEG 通道间的空间关系，同时通过学习到的权重提供结果解释。 核心机制是将每个 EEG 通道表示为图节点，将通道之间的关系表示为边；网络以 EEG 图的时间序列作为输入，根据各通道信号对 ASAD 任务的贡献学习节点和边的权重。其方法价值在于显式利用通道关系，而不只处理单通道特征。这里的“脑拓扑”通过 EEG 通道空间模式建模，摘要不足以确认其与解剖连接或功能连接的具体对应关系；图的初始化、边的约束、时间特征提取方式及训练损失尚未验证。 作者报告，在两个公开数据库上的实验中，EEG-Graph Net 的解码性能显著优于所比较的先进方法，并比竞争基线更轻量、更准确。摘要未提供数据库名称、被试数、被试内或跨被试等评估协议、数据划分、指标数值及统计检验细节，因此不能量化优势或与其他研究直接比较。实验协议、消融及统计信息尚未验证。 作者报告，学习到的权重模式有助于理解大脑对连续语音的处理，并与既有神经科学发现一致。复现时应核对权重可视化的稳定性、其与神经生理解释的对应依据，以及模型规模和计算成本的对照条件。作者还提出该架构可迁移至其他 BCI 任务，但摘要未提供相应验证；不能据此视为已证实的跨任务效果。完整复现仍需全文中的预处理、图构建、训练配置及评估细节，代码可用性尚未验证。

    阅读价值：值得阅读的是 EEG-Graph Net 将通道关系建模为可学习图结构，并用权重可视化分析听觉空间注意解码；作者报告的性能、轻量化及解释性优势仍需结合全文实验协议核对。

  3. OpenReview · EEG73

    基于 EEG 图的脑拓扑建模用于听觉空间注意检测

    基于摘要分析。本文针对多通道 EEG 中判别特征提取及通道拓扑关系建模的问题，提出 EEG-Graph Net，用于听觉空间注意检测（ASAD）。其核心贡献是将多通道 EEG 表示为随时间变化的图，通过图卷积与神经网络注意力机制学习与任务相关的通道及通道间关系权重。 在 EEG-Graph 中，每个 EEG 通道对应一个节点，两个通道之间的关系对应一条边。网络以 EEG 图的时间序列为输入，根据信号对 ASAD 任务的贡献学习节点与边的权重，并通过学习到的权重模式进行可视化分析。这里的“脑拓扑”主要通过 EEG 通道的空间信号模式表达，不宜直接等同于已验证的解剖连接或因果功能连接。摘要未说明图的初始化方式、边约束、具体注意力计算、损失函数及训练设置。 作者报告，在两个公开数据库上的实验中，EEG-Graph Net 的解码性能显著优于所比较的先进方法，且相较竞争基线更轻量、更准确；摘要未提供数据库名称、被试数量、解码指标、数值、时间窗或被试内／跨被试等评估协议，因此尚不能量化优势或判断不同使用场景下的泛化能力。实验协议、消融及统计信息尚未验证。 作者报告，学习到的权重模式为脑内连续语音处理提供了线索，并与神经科学研究发现一致。需结合全文核对可视化结果的稳定性、统计依据，以及通道权重是否足以支持所述神经科学解释。 作者认为该架构可迁移至其他 BCI 任务，但摘要未给出对应验证。平台推测（待验证）：通道图及任务相关权重学习可能适用于其他多通道 EEG 解码任务，但需适配任务输出、通道布局和时间结构；低信噪比、被试差异、通道缺失及小样本可能使图权重不稳定。一个可检验的小实验是在固定数据划分与相同训练预算下，比较可学习通道关系、固定通道关系及不使用图关系的模型，并观察性能与权重稳定性。其他任务中的相关 EEG 图方法尚未检索确认。

    阅读价值：值得阅读的是 EEG-Graph Net 将通道关系建模与任务相关权重学习结合，用于听觉空间注意检测并提供可视化解释，但性能优势、轻量化程度及解释的可靠性仍需结合全文协议核对。

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日周日
  1. OpenReview · EEG71

    用于 EEG 表征的知识驱动跨视图对比学习

    基于摘要分析。本文针对 EEG 监督学习中人工标注成本高、标签差异显著，以及通用自监督框架缺乏 EEG 专属理论依据的问题，提出知识驱动跨视图对比学习框架 KDC2。其核心贡献是引入神经理论先验，通过头皮视图与神经视图学习有限标签条件下的 EEG 表征。 机制上，KDC2 构造 scalp view 与 neural view，分别模拟脑活动的外部与内部表征，再结合多种数据增强，使用摘要所称的 inter-view 与 cross-view 对比学习流程提取不同视图的特征。作者以 homologous neural information consistency theory（同源神经信息一致性理论）建模先验，旨在提取不变且互补的神经知识，并形成组合表征。摘要未说明神经视图如何由 EEG 构建，也未给出正负样本定义、增强操作、损失形式或表征融合方式，这些机制细节尚待全文核对。 作者报告，在不同下游任务的实验中，KDC2 优于所比较的先进方法，并据此认为神经知识支持的 EEG 表征具有跨任务泛化优势。但摘要未提供具体任务、数据集、被试数、标签比例、指标或基线名称，不能量化收益，也不能将跨任务结果等同于跨被试、跨会话或跨数据集泛化。 复现时需核对双视图构建与神经先验的具体实现、预训练及下游评估的数据划分、标签使用范围，以及双视图、知识约束和数据增强各自的贡献。实验协议、消融及统计信息尚未验证；目前材料不足以判断该方法对低信噪比、通道配置变化或小样本 EEG 的稳定性。

    阅读价值：值得核对 KDC2 如何将神经知识先验转化为头皮与神经双视图的对比约束，以及其有限标签下的 EEG 表征收益是否在不同下游任务和评估协议中成立。

1月1日周六
  1. OpenReview · EEG78

    用于 EEG 解码的深度黎曼网络

    基于摘要分析。本研究针对深度黎曼网络（Deep Riemannian Networks，DRNs）在 EEG 解码中的架构设计、端到端学习及内部数据变换问题，提出 EE(G)-SPDNet，并通过广泛的超参数分析探索深度学习与黎曼几何解码方法的结合。 方法与机制：研究重点包括网络规模、端到端学习能力及网络内部表示与传统 EEG 解码方式的关联。EE(G)-SPDNet 被描述为一种宽型、端到端 DRN，可直接从原始 EEG 学习任务相关信息，无需手工设计滤波器组。摘要未提供其具体层结构、黎曼几何运算、损失函数或训练配置，这些实现细节尚未验证。 实验与结果：作者报告，在五个公开 EEG 数据集上测试网络并与先进 ConvNets 比较，EE(G)-SPDNet 可以取得优于这些对照模型的解码表现。摘要未列出数据集名称、任务、被试数、被试内或跨被试等评估协议及具体指标，因此不能据此判断优势大小、适用任务或泛化范围。 滤波与表示分析：作者报告，模型使用了具有生理合理性的频率区域；端到端学习得到的滤波器比面向传统 alpha、beta、gamma 频段的带通滤波器更复杂，且通道特异性滤波可改善性能。这些观察支持进一步研究可学习滤波与空间通道差异的作用，但不能仅凭摘要将生理合理性等同于机制解释或跨场景鲁棒性。 局限与复现核对：作者的架构分析提示，网络可能未充分利用黎曼几何特有的信息，仍有改进空间。复现需核对各数据集的预处理与划分、ConvNet 基线配置、网络宽度与端到端训练的对照，以及通道特异性滤波的具体实现。实验协议、消融及统计信息尚未验证，代码可用性亦尚未确认。

    阅读价值：值得阅读的具体原因是其结合架构分析与滤波分析，考察端到端黎曼几何网络如何从原始 EEG 学习任务相关信息；摘要中的性能优势仍需结合具体数据划分、ConvNet 基线及统计结果核对。

  2. OpenReview · EEG77

    基于正则化图神经网络的 EEG 情绪识别

    基于摘要分析。该研究针对 EEG 情绪识别中通道拓扑利用不足的问题，提出正则化图神经网络 RGNN，以脑区间的生物学拓扑建模 EEG 通道的局部与全局关系，并通过两个正则化机制分别处理跨被试差异和标签噪声。 核心机制是用图神经网络中的邻接矩阵表示 EEG 通道间关系，其连接方式与稀疏性设计受到人脑组织相关神经科学理论启发。摘要未提供邻接矩阵的具体构造、是否可学习及图信息传播方式，这些实现细节尚未验证。两个正则化机制分别为 node-wise domain adversarial training（NodeDAT，节点级域对抗训练）与 emotion-aware distribution learning（EmotionDL，情绪感知分布学习）：前者用于应对跨被试 EEG 变化，后者用于处理噪声标签；具体损失形式、监督要求和训练流程需查阅全文。 作者报告，在公开数据集 SEED 与 SEED-IV 上，RGNN 在多数实验设置中优于所比较的当时先进模型，并且消融研究显示，所提出的邻接矩阵与两个正则化机制均带来一致且显著的性能收益。摘要没有提供具体指标、分数、被试数量、数据划分或各项对照配置，因此不能据此量化提升，也不能将不同实验设置视为同一协议。实验协议、消融及统计信息尚未验证。 作者还报告，通过对神经活动的分析识别了与 EEG 情绪识别有关的重要脑区和通道间关系；这些发现的解释方法及稳健性尚需全文核对，不宜直接视为因果证据。复现时应重点核对 EEG 特征与预处理、图连接及稀疏性设置、NodeDAT 与 EmotionDL 的实现和权重，以及被试内和跨被试评估的具体划分与标签使用规则。摘要未提供代码或运行环境信息。

    阅读价值：值得阅读的具体原因是 RGNN 将 EEG 通道拓扑建模、跨被试差异处理与标签噪声处理结合起来，作者报告相关模块的消融收益，但具体评估协议与统计证据仍需全文核对。

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。