跳到正文

研究类型与证据

潜在迁移 最新动态

潜在迁移 研究索引；按可核对的标签归档，不以热度评价质量。

193 条精选近 30 天 84 条共收录 230 条

更新

精选归档 · 第 9 页

1月1日周一第 161–180 条
  1. OpenReview · State space models72

    DGMamba：通过广义状态空间模型实现域泛化

    基于摘要分析。DGMamba 研究视觉域泛化中的分布偏移问题，尝试在保留 Mamba 全局感受野与线性复杂度优势的同时，通过抑制域特异隐藏状态、调整图像 patch 扫描和组合方式，提高对未见域的泛化能力。 核心机制包括 Hidden State Suppressing（HSS）与 Semantic-aware Patch Refining（SPR）。HSS 用于减轻与域特异特征相关的隐藏状态对输出预测的影响。SPR 旨在让模型更多关注对象而非上下文，包含 Prior-Free Scanning（PFS）和 Domain Context Interchange（DCI）：PFS 打乱图像中的非语义 patch，构造更灵活的序列；DCI 通过跨域融合 patch，将不匹配的非语义与语义信息组合起来，对 Mamba 施加正则化。摘要未提供隐藏状态识别与抑制的具体实现、语义 patch 判定方法或损失形式。 作者报告，在四个常用 DG benchmark 上，DGMamba 获得优于所比较先进模型的结果；摘要未列出 benchmark 名称、指标数值、训练与测试域划分及具体基线，因此尚不能判断收益幅度及各模块贡献。实验协议、消融及统计信息尚未验证。摘要表示代码将公开，并非已确认发布。 平台推测（待验证）：假设 EEG 中也能区分任务相关信息与被试或会话特异背景，HSS 的抑制思路可能对应跨被试、跨会话分布偏移；但图像对象与背景的划分不能直接等同于 EEG 的时间段或通道。可考虑复用隐藏状态抑制与背景重组思路，需改造 patch 定义、任务相关性判定及扫描顺序，避免破坏时序和通道关系。低信噪比、小数据及被试间差异可能使判定不稳定，误抑制有效信号。一个可证伪的小实验是在固定跨被试划分下，对比基础 Mamba 与仅加入 HSS 的版本，保持训练数据和调参预算一致，检查未见被试表现是否改善；这一迁移假设尚无本文证据支持，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 DGMamba 将域泛化中的域特异特征抑制与图像扫描机制改造分别落实为 HSS 和 SPR，可据此核对状态空间模型的泛化收益来源，但其 EEG 迁移价值尚未验证。

  2. OpenReview · State space models72

    PointMamba：用于点云分析的简单状态空间模型

    基于摘要分析。本文研究点云分析中全局建模与计算成本之间的权衡，提出 PointMamba，将源于 NLP 的 Mamba 状态空间模型（SSM）用于点云分析，以线性复杂度算法替代具有二次复杂度的注意力机制。 核心机制是利用空间填充曲线进行点 token 化，再以简单、非层级的 Mamba 编码器作为骨干。方法的关键路径是将三维空间中的点组织成可供序列模型处理的 token 序列，并利用 SSM 进行全局建模；摘要未说明具体空间填充曲线、点特征构造、训练目标或推理设置。 作者报告，在多个数据集上的评估中，PointMamba 获得更优性能，同时显著降低 GPU 显存使用量与 FLOPs。但摘要没有给出数据集名称、具体任务、划分协议、对照模型或数值，因此无法判断优势的适用范围及不同设置下的可比性。实验协议、消融及统计信息尚未验证。摘要表示代码将公开，当前发布状态及复现所需配置尚未验证。 平台推测（待验证）：可迁移的假设是，线性复杂度的 Mamba 编码器可能缓解长时段 EEG 建模的计算开销；但点云的空间序列化并不直接等同于 EEG 的时间与通道组织。编码器思路可供参考，token 化则需改造成保留时间顺序及电极空间关系的表示，原研究所依赖的监督方式和训练规模尚不明确。低信噪比、跨被试分布差异、通道布局变化及小数据条件均可能使该假设失效。一个可检验的小实验是在固定 EEG 数据划分、训练预算与输入长度条件下，对比 Mamba 与 Transformer 编码器，分别考察任务性能、显存和计算量，并检验通道排序变化的影响。相关 EEG 工作尚未检索确认，这不构成已证实的 BCI 效果。

    阅读价值：值得核对其空间填充曲线序列化与非层级 Mamba 编码器如何兼顾全局建模和计算开销，但摘要中的性能与资源优势及其对 EEG 的适用性尚待验证。

  3. 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。

  4. OpenReview · State space models73

    STG-Mamba：基于选择性状态空间模型的时空图学习

    STG-Mamba 面向动态、异质且非平稳的时空图（STG）预测，将图网络视为随时间演化的系统，结合选择性状态空间模型与图表示学习。基于摘要分析，未取得论文全文；研究主要对象是通用时空图预测，而非 EEG 或 BCI。 核心机制：作者提出 Spatial-Temporal Selective State Space Module（ST-S3M），用于选择性地建模 STG 潜在特征及系统的时间状态演化；同时提出 Kalman Filtering Graph Neural Networks（KFGN），通过基于 Kalman Filtering 统计理论的可学习方法，动态整合和更新不同时间粒度的 STG 嵌入。相较于作者所描述的偏重节点关系建模的 GNN 方法，其着眼点是联合刻画图结构与系统内在状态的时间变化。具体状态更新、选择机制、滤波参数化方式、损失函数及训练流程尚未验证。作者将该工作称为选择性状态空间模型用于 STG 学习的首次探索，这一优先性主张尚未独立核实。 结果与复现：作者报告在三个 STG 预测基准数据集上，STG-Mamba 的预测性能优于所比较的现有方法，并降低 FLOPs 和测试推理时间。摘要未提供数据集名称、划分、指标、具体分数或计算测量条件，因此无法量化收益或判断不同设置下的可比性；实验协议、消融及统计信息尚未验证。摘要提供了实现代码地址，但代码内容、运行环境和复现完整性尚未核验。 平台推测（待验证）：若将 EEG 通道作为节点、时间窗作为序列，选择性状态演化与多时间粒度融合可能对应 EEG 非平稳性及跨时间尺度依赖问题。可考虑复用状态空间建模与表示融合思路，但需改造通道图构建、输入特征及任务输出；原方法依赖的图结构、监督方式和训练规模仍需查阅正文。低信噪比、通道配置变化、被试差异及小数据可能使状态选择或滤波估计不稳定。一个可证伪的小实验是在固定被试内 EEG 划分下，比较完整组合与去除 KFGN 的版本，并在匹配训练预算的前提下检验任务指标、推理成本及加噪后的稳定性。原领域结果不构成 BCI 有效性的证据，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 ST-S3M 与 KFGN 如何结合系统状态演化和多时间粒度图表示，以及预测性能与计算成本的对照；其对 EEG 时空建模的适用性尚未验证。

  5. OpenReview · State space models70

    用于图像融合的局部增强与状态共享新型状态空间模型

    基于摘要分析。本文研究多源图像融合，针对作者认为视觉 Mamba 存在的状态容量受限、局部图像信息建模不足以及光谱信息捕获不充分问题，提出局部增强模块 LEVM 与状态共享技术，并构建多尺度图像融合网络 LE-Mamba。研究对象是多光谱全色锐化及多光谱与高光谱图像融合，而非神经信号解码。 机制上，LEVM 旨在增强局部信息感知，同时学习局部与全局空间信息；状态共享用于增强空间细节并整合空间与光谱信息；整体网络采用基于视觉 Mamba 的多尺度结构。摘要未说明局部增强的具体算子、状态共享的实现与共享范围，也未提供损失函数、监督方式及训练配置，因而目前不能判断各组件的独立贡献。 作者报告，在多光谱全色锐化及多光谱与高光谱图像融合数据集上的实验达到 SOTA，但摘要未列出数据集名称、划分、对照基线或具体指标。实验协议、消融及统计信息尚未验证，需结合全文核对空间细节与光谱保真度的评估依据。摘要称代码将公开，不能据此认定实现已可获取。 平台推测（待验证）：局部—全局联合建模及状态共享可作为 EEG 多尺度或多频带表征融合的候选机制，但这仅是迁移假设。原方法依赖图像的空间与光谱结构，图像光谱维度不能直接等同于 EEG 时间频率；迁移时需重新定义时间、通道与频带的序列组织及状态共享边界。局部增强与多尺度结构可作为候选复用模块，但低信噪比、跨被试差异、通道布局变化和小样本可能使共享状态传播噪声或产生过拟合。一个可检验的小实验是在固定 EEG 任务及相同跨被试划分下，对比基础 Mamba、加入局部增强、加入状态共享及两者结合，保持训练预算一致，检验各模块是否带来稳定增益。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对 LEVM 的局部增强与状态共享如何改善多源图像的空间—光谱融合；摘要支持其图像融合研究价值，但尚不能据此判断 EEG/BCI 迁移效果。

  6. OpenReview · State space models73

    SMamba：通过可伸缩状态空间模型实现任意尺度超分辨率

    基于摘要分析。该研究针对任意尺度超分辨率（ASSR），提出正文称为 S³Mamba 的方法，旨在用单一模型将低分辨率图像重建到任意目标尺度。其核心贡献是通过 Scalable State Space Model（SSSM）构建可伸缩的连续表示空间，并结合尺度感知自注意力强化不同尺度下的全局重要特征建模。 机制上，Implicit Neural Representations（INR）通过坐标与像素值之间的连续表示支持任意尺度重建。作者认为，现有基于 CNN 和 Transformer 的方法受到计算复杂度及长程依赖建模能力的限制；SSSM 在离散化过程中调制状态转移矩阵与步长采样矩阵，以实现尺度可调的连续表示建模。作者报告该机制具有线性计算复杂度，但摘要未说明其对应的复杂度变量、完整网络开销或具体调制形式，尚需全文核对。 作者报告，在合成及真实场景基准上的实验取得了最先进性能和任意超分辨率尺度下的较强泛化能力。摘要未提供数据集名称、训练与测试尺度划分、对照方法、指标或数值，因此目前不能定量判断收益，也不能确认对未见尺度的具体泛化范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其潜在 EEG 关联是将尺度条件化的状态空间建模用于不同采样率下的连续时间信号重建，而非直接复用图像超分辨率效果。该假设依赖可建立的时间坐标和低、高采样率监督配对；可考察复用 SSSM 的离散化调制机制，输入表示与尺度感知模块则需适配 EEG 的时间轴、通道布局及生理频带。低信噪比、跨被试差异、通道缺失和小数据可能导致噪声放大或虚假高频重建，且上采样不能保证恢复已丢失的生理信息。一个可证伪的小实验是对高采样率 EEG 进行受控抗混叠降采样，在按被试隔离的划分中比较该机制、固定尺度模型与插值基线，并测试未见采样倍率下的波形误差及频谱保真度。相关 EEG 工作尚未检索确认。

    阅读价值：值得关注其通过离散化过程中的状态转移与步长采样调制构建尺度连续表示的机制，但任意尺度泛化、计算开销及向 EEG 迁移的有效性仍需核对全文或实验验证。

  7. OpenReview · State space models71

    Pan-Mamba：基于状态空间模型的有效全色锐化

    基于摘要分析。Pan-Mamba 研究全色锐化问题，即融合低分辨率多光谱图像与高分辨率全色图像，生成高分辨率多光谱图像；其核心贡献是利用 Mamba 的全局信息建模能力，并设计两个面向跨模态交互与融合的组件。 机制方面，channel swapping Mamba 通过交换部分全色与多光谱特征通道，开展轻量级跨模态交互；cross-modal Mamba 则利用模态之间的内在关系增强信息表示。摘要未提供具体状态空间参数化、特征序列化方式、损失函数、训练与推理设置，不能据此确定网络结构细节或计算成本。 作者报告，在多个数据集上的实验中，Pan-Mamba 超过所比较的当前先进方法，获得更好的全色锐化融合结果；但摘要未给出数据集名称、划分、基线、指标或数值，因此尚不能判断优势幅度及不同评估协议下的稳健性。作者将该工作描述为首次探索 Mamba 在全色锐化中的潜力，此优先性主张尚未独立核实。摘要提供了源码地址，但实现与复现条件尚未验证；实验协议、消融及统计信息亦尚未验证。 平台推测（待验证）：迁移假设是将跨模态信息交换机制用于 EEG 与其他同步信号的融合，而非直接复用图像锐化网络。原任务依赖空间对应且分辨率互补的图像输入；EEG 场景需重新定义时间对齐、通道映射、特征序列化和任务监督。可能复用的是跨模态交换与融合模块，需改造的是输入表示及输出目标。低信噪比、跨被试差异、通道缺失和小数据可能使交换特征引入噪声或过拟合。一个可证伪的小实验是在固定数据划分与相近参数预算下，对同步 EEG 多模态任务比较简单融合、加入 channel swapping 及进一步加入 cross-modal Mamba 的表现，并测试模态噪声扰动下的稳定性；这不构成已验证的 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 channel swapping Mamba 与 cross-modal Mamba 如何实现跨模态信息交换，但融合优势及向 EEG 多模态任务迁移的有效性仍需核对实验与验证。

  8. OpenReview · State space models73

    SMamba：通过可伸缩状态空间模型实现任意尺度超分辨率

    基于摘要分析。该研究针对任意尺度超分辨率（ASSR），提出正文称为 S³Mamba 的方法，利用 Scalable State Space Model（SSSM）构建由低分辨率图像导出的可伸缩连续表示空间，使单一模型能够处理不同放大尺度。其核心贡献是将尺度调制引入状态空间模型的离散化过程，并结合尺度感知自注意力增强不同尺度下的全局重要特征感知。 机制与创新：ASSR 借助 Implicit Neural Representations（INR）建立坐标与像素值的连续表示，突破固定放大倍数的限制。作者认为，现有 CNN 和 Transformer 方法面临计算复杂度及长程依赖建模方面的挑战。SSSM 在离散化时调制状态转移矩阵与步长采样矩阵，作者声称由此实现线性计算复杂度的连续表示建模。摘要未给出调制函数、尺度条件的具体输入方式、训练损失及推理流程；线性复杂度对应的计算范围，以及加入自注意力后的整体开销，尚需全文核对。 结果与证据边界：作者报告，在合成与真实场景基准上取得最先进性能，并在任意超分辨率尺度下表现出较强泛化能力。摘要未列出数据集名称、训练与测试尺度划分、对照基线、指标或具体数值，因此不能判断未见尺度上的收益及适用边界。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，尺度条件化的状态空间离散化可能用于 EEG 不同采样间隔下的连续时间表示；但图像空间放大与 EEG 时间采样变化并非同一任务，原领域结果不能视为 BCI 有效性的证据。可考虑复用条件化离散化模块，将图像坐标与像素监督改为时间坐标和信号重建监督，并处理通道拓扑及抗混叠约束。低信噪比、跨被试差异、通道不一致和小数据可能使模型主要拟合插值规律。一个可证伪的小实验是在固定被试划分及统一抗混叠降采样流程下，对比该模块、普通状态空间模型和传统插值在未见采样间隔上的重建误差及下游任务表现。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对其通过尺度调制状态空间离散化来构建连续表示的机制，以及线性复杂度的适用范围；作者报告的任意尺度泛化优势仍需结合全文实验协议验证。

  9. OpenReview · State space models77

    STREAM：面向稀疏几何数据的通用状态空间模型

    基于摘要分析。STREAM 面向点云、事件视觉等稀疏且非结构化的几何数据，将几何结构显式编码进状态空间模型的参数化，而不是仅依赖序列化预处理及模型自行推断几何关系。其核心贡献是利用坐标的相对差异控制状态空间模型的步长，并基于 Mamba selective state-space model 与修改后的 CUDA kernel 实现高效计算。 机制上，状态空间模型的线性动态由时间或空间坐标等一维变量驱动，STREAM 将相对坐标差注入这一动态变量对应的步长。作者称，由此形成的几何操作可在 O(N) 步中计算 N 个点之间的全点对交互；该表述不应直接等同于已验证的端到端运行时间或显存复杂度，具体交互定义、点的遍历顺序与实现条件尚需正文核对。 作者报告，在从头训练的 ModelNet40 和 ScanObjectNN 点云分析任务中，STREAM 改善了 PointMamba 基线表现，但摘要未提供具体指标数值。作者还报告，在 DVS128 Gestures 数据集全部 11 个类别的测试中取得 100% Accuracy，并声称这是首次达到该结果；测试划分、预处理、重复实验及统计信息尚未验证。摘要另称模型在事件视觉和音频分类等基准上具有竞争力，具体对照与实验协议尚未验证。 平台推测（待验证）：假设相对坐标驱动的状态更新能保留不规则采样结构，它可能对应 EEG 中不规则时间采样或稀疏电极空间建模的问题。可考虑复用状态更新机制，但需改造 EEG 信号的点表示、时空坐标及遍历方式；低信噪比、跨被试差异、通道缺失与小数据训练都可能削弱该归纳偏置。一个可检验的小实验是在固定 EEG 数据划分和相同输入表示下，比较相对坐标步长与固定步长，并测试通道缺失时的性能变化。此为迁移假设，不是已证实的 BCI 收益；相关 EEG 工作尚未检索确认。复现还需核对完整模型配置、CUDA kernel、训练条件及代码可用性。

    阅读价值：值得核对 STREAM 将相对坐标差注入状态空间步长的机制及其修改后的 CUDA 实现，以评估稀疏几何归纳偏置的收益；摘要中的全点对交互与测试准确率仍需结合完整实验协议验证。

  10. OpenReview · State space models76

    GrassNet：状态空间模型与图神经网络的结合

    GrassNet 针对谱图神经网络中多项式滤波器低阶截断、缺乏图谱整体建模的问题，引入结构化状态空间模型（SSMs）来学习图谱滤波器。基于摘要分析，未取得论文全文。 核心机制是利用 SSMs 建模图信号在不同频率上的关联，并为图谱中的各频率生成特定校正。作者指出，传统多项式方法对相同频率的信号施加相同调制，在谱高度集中或存在大量数值相同的谱值时可能受到限制；作者声称 GrassNet 能学习任意图谱滤波器，并在理论上具有比多项式滤波器更强的表达能力。如何定义频率序列、如何处理重复特征值及对应特征空间、表达能力结论依赖哪些假设，均需查阅正文核对。 作者报告，在九个公开基准上的实验显示 GrassNet 在真实图建模任务中表现优于对照方法。摘要未提供基准名称、任务、划分、对照配置或具体指标，因此不能量化收益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。实现、计算成本和复现条件也尚未验证。 平台推测（待验证）：假设 EEG 被表示为具有明确拉普拉斯算子的通道图，GrassNet 的跨图谱频率关联建模可能用于检验多项式滤波表达受限这一瓶颈；这里的图谱频率不等同于 EEG 的时间频率。可考虑复用谱滤波机制，但通道图构建、时间信息整合和跨被试图对齐需要改造。低信噪比可能使图结构不稳定，通道变化可能改变谱基，小数据也可能增加过拟合风险。一个可证伪的小实验是在固定 EEG 通道图、相同时间编码器和相同跨被试划分下，对比 GrassNet 滤波与多项式滤波，并检查收益对图构建及通道扰动的敏感性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 GrassNet 如何利用 SSM 建模跨频率关联，以及其处理重复谱值和提升滤波表达能力的理论条件，这些机制为评估谱图方法在 EEG 图建模中的适用性提供了具体切入点。

  11. OpenReview · State space models72

    DGMamba：通过广义状态空间模型实现域泛化

    基于摘要分析。该研究针对视觉域泛化中的分布偏移问题，提出 DGMamba，尝试在保留 Mamba 全局感受野与线性复杂度优势的同时，减少隐藏状态和图像扫描机制对域特异信息的依赖。 框架包含 Hidden State Suppressing（HSS）与 Semantic-aware Patch refining（SPR）。HSS 用于减弱与域特异特征相关的隐藏状态对输出预测的影响。SPR 旨在让模型更关注对象而非上下文，其中 Prior-Free Scanning（PFS）打乱图像中的非语义 patch，以形成更灵活的序列；Domain Context Interchange（DCI）通过跨域融合 patch，将不匹配的非语义与语义信息组合起来，对 Mamba 进行正则化。摘要未提供隐藏状态筛选、语义识别、扫描操作及损失函数的具体实现，尚不能据此重建模型。 作者报告，在四个常用域泛化 benchmark 上，DGMamba 相较现有先进模型取得更优结果；摘要未列出 benchmark 名称、域划分、对照基线或指标数值，实验协议、消融及统计信息尚未验证。作者表示代码将公开，不等同于代码已可获取。 平台推测（待验证）：其潜在 EEG 迁移路径是抑制被试或会话相关的域特异状态，以缓解跨被试、跨会话分布偏移。但原方法依赖图像 patch 的语义与上下文区分，以及跨域 patch 融合；EEG 中哪些时段、通道或频段属于任务信息而非背景信息，需要重新定义，不能直接套用对象与背景的划分。可尝试复用状态抑制思路，改造序列构建和跨域融合模块；低信噪比、通道差异及小数据可能导致任务相关状态被误抑制，或融合产生不合理信号。一个可证伪的小实验是在固定的跨被试 EEG 划分下，比较基础 Mamba 与仅加入 HSS 改造的版本，核对域信息降低是否伴随任务性能改善。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对的是 DGMamba 如何通过隐藏状态抑制与语义感知 patch 处理降低域特异信息影响；这些机制提供了域泛化研究的具体切入点，但摘要中的性能优势及其 EEG 可迁移性尚未验证。

  12. OpenReview · State space models70

    使用加权正则化神经网络的物理引导状态空间模型增广

    基于摘要分析。本文研究如何利用测量数据增广已有的非线性物理状态空间模型，提出采用加权函数正则化的 W-PGNN，在数据信息量较低的区域更依赖物理先验，在信息量较高的区域更信任数据。 核心机制：作者指出，经典 Physics-guided neural networks（PGNN）在输出层面惩罚对物理模型的偏离，但状态转移函数即使仅有较小参数差异，也可能产生显著不同的时间序列输出，因此这种约束可能导致保守估计。此外，经典方法以固定权衡超参数在整个状态空间施加正则化。W-PGNN 改为在代价函数中加入加权正则项，惩罚基线物理模型与最终辨识模型之间的状态函数及输出函数差异，并依据数据的信息量调节对先验的依赖。权重的具体定义、信息量估计方式、网络结构及优化流程尚未验证。 验证与边界：作者报告在一个基准示例上展示了该策略相对于现有 PGNN 方法的有效性。摘要未提供基准名称、数据划分、评价指标或提升幅度，实验协议、消融及统计信息尚未验证。复现需进一步核对基线物理模型、测量数据、权重构造与正则化超参数设置。 平台推测（待验证）：迁移假设是，若 EEG 动态建模具备可信的状态空间先验，并能可靠估计不同状态区域的数据信息量，该机制可能帮助缓解稀疏观测区域中数据驱动模型偏离先验的问题。可复用的是函数层面的加权约束；需改造的是 EEG 状态定义、观测函数与信息量估计。低信噪比、跨被试差异、通道变化及小数据可能使权重估计失真，错误物理先验也可能引入偏差。一个可检验的小实验是在固定 EEG 数据划分和同一先验模型下，对比固定权重与信息量加权正则化的预测误差，并观察减少训练数据或加入噪声后的稳定性。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对 W-PGNN 如何将物理先验约束从输出层面转向状态与输出函数层面，并按数据信息量调整约束强度；摘要中的基准验证尚不足以判断其对 EEG 建模的适用性。

  13. OpenReview · State space models72

    MambaVLT：用于视觉-语言跟踪的时间演化多模态状态空间模型

    基于摘要分析。MambaVLT 针对视觉-语言跟踪中时序信息利用不足、参考特征难以动态更新的问题，提出基于 Mamba 的多模态状态空间模型，通过随时间演化的状态表示支持目标跟踪，并自适应调节视觉与语言参考的权重。 机制方面，模型包含 time-evolving hybrid state space block 和 selective locality enhancement block，用于捕获多模态上下文信息与自适应更新参考特征；另设 modality-selection module，动态调整视觉和语言参考的权重，以缓解任一参考模态可能产生的歧义。摘要将 Mamba 状态演化的时序记忆能力与线性复杂度作为方法动机，但具体状态更新公式、模块连接、损失、训练流程及端到端计算开销尚未验证。 作者报告，该方法在多个基准上相较先进跟踪器表现良好；摘要未提供基准名称、数据划分、对照模型或量化指标，因此尚不能判断优势幅度及适用条件。实验协议、消融及统计信息尚未验证，代码与复现条件也需核对全文。 平台推测（待验证）：其原问题依赖连续视觉序列及视觉、语言参考，时序状态更新与动态模态选择可能为 EEG 与辅助模态融合提供机制参考，对应长时序建模和模态可靠性变化的瓶颈；这不代表已验证的 EEG/BCI 效果。可考虑复用状态更新和模态选择思路，但需改造输入编码、时间对齐、参考表示与任务输出。EEG 的低信噪比、跨被试差异、通道变化及小数据可能导致状态累积噪声或模态权重失稳。一个可检验的小实验是在固定被试和划分的 EEG 多模态任务中，保持编码器与训练预算一致，对比固定融合与动态模态选择，并在辅助模态受扰时检验性能变化。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其如何利用随时间演化的状态空间更新多模态参考特征，以及动态调节模态权重；具体性能优势与 EEG 迁移价值尚未验证。

  14. OpenReview · State space models71

    RSMamba：基于状态空间模型的遥感图像分类

    基于摘要分析。该研究面向遥感图像场景分类，提出基于状态空间模型（SSM）的 RSMamba，旨在兼顾整幅图像的全局理解与线性建模复杂度；核心贡献是通过动态多路径激活机制增强 Mamba 对非因果二维图像数据的建模能力，而非提出 EEG 或 BCI 方法。 技术机制：摘要将遥感场景的复杂性、多样性及其时空分辨率变化列为分类难点。RSMamba 采用硬件感知的 Mamba 设计，在保留原有建模机制的同时，引入动态多路径激活，以应对原始 Mamba 的因果序列建模方式与二维图像结构之间的不匹配。路径如何构造、动态激活如何实现，以及训练目标和推理流程，摘要未提供细节，尚未验证。 结果与复现：作者报告，RSMamba 在多个遥感图像分类数据集上表现更优，但摘要未给出数据集名称、划分协议、对照配置、指标或数值，不能据此量化优势。作者据此提出其作为未来视觉基础模型骨干的潜力，这不等于已经完成基础模型验证。摘要表示代码将公开，当前可用性尚未验证；实验协议、消融及统计信息亦尚未验证。 平台推测（待验证）：若多路径机制确实能够减少单一序列顺序对建模的限制，则可能为离线 EEG 的时间—通道联合建模提供参考。可考虑复用 SSM 建模模块，但图像路径需改造成符合电极拓扑与时间结构的路径，分类输入和任务监督也需适配。低信噪比、通道布局变化、跨被试差异及小样本训练可能削弱收益；非因果建模还需与在线 BCI 的因果约束区分。一个可检验的小实验是在固定 EEG 数据划分、预处理及训练预算下，对照单路径 Mamba 与多路径变体，分别检查被试内和跨被试表现，并测试通道扰动下的稳定性。以上仅为机制迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是其以动态多路径激活机制扩展 Mamba 对非因果二维数据的建模能力，但性能优势及其对 EEG 的迁移价值仍需分别验证。

11月29日周三
  1. OpenReview · Representation learning74

    用于自监督表征学习的随机场数据增强

    基于摘要分析。该研究针对图像自监督表征学习中数据增强决定表征不变性、而增强方式仍有待探索的问题，提出基于高斯随机场的局部变换族，将传统仿射与颜色变换扩展为参数可随像素位置变化的增强。 核心机制是将变换参数视为空间坐标的连续函数，并用相互独立的高斯随机场建模。与平移、旋转、color jitter 等传统增强相比，该方法扩大了局部变换的可能范围；具体随机场构造、参数化方式、自监督目标及训练流程尚未验证。 作者报告，在 ImageNet 下游分类中，相对基线的 top-1 Accuracy 提升为原文所述的 1.7%；在分布外 iNaturalist 下游分类中，提升为原文所述的 3.6%。摘要未明确这些数值是相对百分比还是百分点，也未明确后一指标、基线方法、数据划分和评估协议，不能据此进行跨协议比较。作者同时报告，温和变换有助于表征学习，但较强变换可能破坏图像结构，且表征对超参数敏感。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移假设是以平滑随机参数场生成局部变化，帮助 EEG 自监督学习覆盖有限的时空扰动。原方法依赖图像空间坐标；迁移时需将参数场改造为时间轴或电极空间上的函数，并确认增强仍保留任务相关信号，而非直接照搬图像仿射与颜色变换。低信噪比、小数据、跨被试差异及不规则通道布局可能放大增强误差，破坏 ERP 时序或频谱线索。一个可证伪的小实验是在固定 Cross-subject 划分、自监督目标和下游评估协议下，对比无增强、常规增强与不同强度的随机场增强，检验温和增强能否稳定获益及强增强是否退化。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其高斯随机场如何控制局部增强的平滑性与强度，以及增强多样性带来收益和破坏图像结构之间的边界；其对 EEG 自监督学习的迁移价值尚未验证。

10月8日周日
  1. OpenReview · Representation learning76

    表征投影不变性缓解表征坍塌

    基于摘要分析。本文研究预训练语言模型微调时的表征退化（表征坍塌）问题，提出 Representation Projection Invariance（REPINA）正则化，通过抑制不期望的表征变化来维持表征的信息含量。研究同时扩展了表征坍塌的分析，并提出若干量化指标。 机制与证据：摘要将 REPINA 描述为作用于微调过程的表征约束，但未提供投影操作、约束对象或损失的具体形式，这些细节尚未验证。作者报告，在包含 GLUE benchmark 和六个额外数据集的 13 项语言理解任务上，与 5 个可比基线进行域内评估时，REPINA 在其中 10 项任务上优于其他基线。作者还报告分布外表现改善、少样本设置下有效，以及对标签扰动具有鲁棒性；摘要未给出相应指标、效应大小及具体协议，不能据此比较不同评估条件下的收益。作者报告其方法更有效地缓解表征坍塌，但坍塌指标与下游性能之间的关系仍需核对正文。 平台推测（待验证）：迁移假设是，若预训练 EEG 表征在小样本任务微调中也出现信息退化，类似表征正则化可能有助于保留可迁移信息。原方法依赖预训练语言模型的上下文表征与下游微调流程；其具体监督条件、数据规模要求及投影机制尚未验证。可借鉴的是约束表征变化和量化坍塌的思路，需改造的是 EEG 时间窗、通道结构及预训练与微调表征的对应方式。低信噪比、跨被试差异及通道变化可能使约束保留噪声或被试特异信息，过强约束也可能阻碍任务适应。 可检验的小实验：取得完整方法后，在固定的 Cross-subject EEG 划分下，对同一预训练模型比较常规微调与加入 REPINA 的微调，统一标签预算和调参规则，同时观察任务指标及表征坍塌指标是否共同改善。此方案并非已验证结果；已有 EEG 相关工作尚未检索确认。完整实验协议、消融及统计信息尚未验证。

    阅读价值：REPINA 将微调中的表征坍塌缓解与域内、分布外及少样本表现联系起来，值得核对其正则化定义、坍塌度量及基线比较，但其对 EEG 微调的价值尚未验证。

9月23日周六
  1. OpenReview · Representation learning76

    用于鲁棒表征学习的上下文视觉 Transformer

    基于摘要分析。研究针对不同群组间潜在因素变化导致的图像分布偏移，提出 Contextual Vision Transformers（ContextViT），通过群组上下文条件化图像表征，并在推理时适应新的测试分布。 核心机制借鉴 in-context learning：将与输入图像属于同一群组的图像信息映射为额外的 context token，再将其附加到输入图像 tokens 中，使表征随群组上下文调整。作者另引入 context inference network，从某一群组的一批样本即时预测 context token。该机制依赖可用的群组归属及同组样本；摘要未说明群组的具体定义、上下文聚合方式、训练损失或测试时是否更新模型参数，因此不能将其直接等同于参数更新式测试时自适应。 作者报告，在监督微调设置下，为预训练 ViTs 加入上下文条件化机制，在 iWildCam 和 FMoW 上持续改善分布外泛化；在自监督表征学习设置下，ContextViT 在 Camelyon17 病理图像及 JUMP-CP 显微图像基准上，比对应 ViT 获得更稳定的分布偏移下图像表征。摘要未给出指标数值、数据划分或效应大小，实验协议、消融及统计信息尚未验证。复现时需核对群组构造、上下文批次采样、预训练条件与基线配置。 平台推测（待验证）：迁移假设是，EEG 的被试或会话可作为群组，上下文条件化可能帮助处理跨被试或跨会话分布变化。可复用 context token 与上下文推断思路，但需将图像 token 编码改为 EEG 时序或时空编码，并明确测试群组可用样本及监督条件。低信噪比、小批次、通道配置差异，以及同组任务类别比例变化，都可能使上下文混入噪声或任务内容。一个可检验的小实验是在固定 Cross-subject 划分下，以同一 EEG 编码器比较无上下文与同组上下文条件化，并加入打乱群组的对照；严格固定测试上下文采样规则，检验增益是否来自有效群组信息。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其由同组样本推断 context token 的机制及测试时分组协议：这为利用群组上下文处理分布偏移提供了具体方法，但其对 EEG 跨被试或跨会话表征的价值尚未验证。

9月22日周五
  1. OpenReview · Representation learning74

    通过傅里叶变换预测状态序列以进行表征学习

    基于摘要分析。该研究面向深度强化学习（RL）的样本效率问题，提出 State Sequences Prediction via Fourier Transform（SPF）：通过预测未来状态序列的傅里叶变换，提取时域中不易辨识的序列结构信息，以学习支持长期决策的表征。原论文的主要研究对象是 RL 状态序列，而非 EEG 或 BCI。 机制上，作者从理论上分析状态序列中结构信息的存在性及其与策略性能、信号规律性的关系，并提出预测无限步未来状态序列的傅里叶变换。作者称该方法实现简单，且无需将无限步未来状态存储为预测目标；但摘要未说明这一预测目标如何计算、采用何种损失或近似方式，以及如何与 RL 训练结合，上述实现细节尚未验证。 作者报告，在所开展的 RL 实验中，SPF 的样本效率和性能优于若干被作者称为先进水平的算法。摘要未提供任务、数据规模、划分、基线名称、指标或数值，因此无法评估提升幅度及适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 时间序列中的频域规律能形成稳定的预测目标，SPF 的频域预测思想可能用于自监督表征学习，以检验其是否有助于低标注条件下的解码。这是假设而非原论文结果：可复用的是频域目标构建与预测思路，需改造的是从策略驱动的状态轨迹到多通道 EEG 的输入、时间范围及训练目标。其依赖连续序列结构，可能受到低信噪比、跨被试频谱差异、通道配置变化和小数据过拟合影响。一个可检验的小实验是在同一 EEG 数据与固定跨被试划分下，用相同编码器和训练预算比较时域未来预测与频域未来预测，并在相同标注量下评估下游解码；若频域方案无稳定增益，则不支持该迁移假设。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 SPF 如何在不存储无限步未来状态目标的条件下实现频域预测，以及其结构信息分析与 RL 样本效率提升之间的证据链；其对 EEG 表征学习的价值尚未验证。

  2. OpenReview · Representation learning72

    利用 Guided Stop-gradient 的隐式对比表征学习

    基于摘要分析。本文研究自监督 Siamese networks 在拉近正样本对表征时出现的表示坍塌问题，提出 guided stop-gradient，利用源编码器与目标编码器的非对称架构隐式引入对比学习思想，并将其应用于 SimSiam 和 BYOL。 机制与贡献：显式对比学习通过推远负样本对避免坍塌，但摘要指出，这类方法对负样本数量减少不够稳健。本文从仅使用正样本对的方法出发，通过 guided stop-gradient 调整非对称学习过程，而不是依赖显式负样本。摘要未说明梯度引导的具体规则、损失形式或编码器更新方式，因此尚不能判断其与原有 stop-gradient 机制的实质差异。 结果与证据边界：作者报告，在 SimSiam 和 BYOL 上加入该方法可稳定训练并提升性能；作者还报告，该方法在小批量条件下有效，且移除 predictor 后仍不发生坍塌。摘要未提供数据集、批量大小、评价指标、数值结果及对照配置，实验协议、消融及统计信息尚未验证。作者称代码位于补充材料，其可获取性与复现条件尚未核对。 平台推测（待验证）：假设该机制能够在较少样本下维持表征多样性，它可能适用于受批量规模限制的 EEG 自监督预训练。原方法依赖由变换构造的正样本对及源—目标非对称架构；可尝试复用梯度控制机制，但需改造 EEG 编码器与正样本构造，避免增强破坏任务相关信息。低信噪比、跨被试差异和通道变化可能使正样本关系失真，小数据下不坍塌也不等于学到有效表征。可检验的小实验是在固定 EEG 数据划分、增强方式及训练预算下，对比原始 SimSiam 与加入该机制的版本，改变批量大小，同时测量表征方差与冻结编码器后的下游性能。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 guided stop-gradient 如何在不显式使用负样本的非对称架构中缓解表示坍塌，尤其是作者报告的小批量训练及移除 predictor 条件下的稳定性，但其具体实现与实验协议尚未验证。

9月21日周四
  1. OpenReview · Representation learning79

    表征迁移在多任务模仿学习中的作用

    基于摘要分析。本文研究多任务模仿学习中，预先从源任务学习表征能否比从零训练更高效地学习新任务，并给出以源任务具有充分多样性为条件的统计保证；同时提出估计任务多样性的实用度量，以连接理论与经验分析。 理论机制是利用多样源任务训练的表征改善目标任务的样本效率。作者称，理论结果可在其所述的现实假设下扩展到 multilayer perceptrons 和 convolutional networks，但摘要未给出假设的具体内容、统计界的形式及其对任务数量、数据规模或表征容量的依赖。任务多样性度量的计算方法、训练损失与表征迁移流程尚未验证。 作者报告，在五个模拟环境中的经验分析与理论发现一致：利用更多源任务数据可以改善新任务学习的样本效率，所提出的任务多样性度量与模仿学习表现呈正相关。摘要未提供环境名称、数据划分、对照基线、具体指标或效应大小，因此不能量化相对从零训练的收益；实验协议、消融及统计信息尚未验证。相关性结果也不能直接解释为该度量对迁移收益的因果作用。 平台推测（待验证）：该机制为 EEG 小样本迁移提出一个可检验的假设——源任务覆盖的有效多样性可能比单纯增加数据量更有利于目标任务表征学习。但原研究依赖多任务模仿学习数据，不能直接等同于 EEG 分类监督。可考虑复用其多样性评估思想，需改造任务定义、EEG 编码器及目标损失；低信噪比、通道差异和被试差异可能使度量主要反映采集或个体特征，而非可迁移的任务结构。一个小实验是在固定源数据总量、被试划分和目标标注预算下，比较不同源任务组合的度量值与目标任务学习曲线，并设置从零训练对照。实施前需核对全文中的度量与理论条件；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其关于源任务多样性与目标任务样本效率的统计保证及实用度量，但该度量是否适用于 EEG 跨任务表征迁移尚未验证。