跳到正文

研究类型与证据

迁移待评估 最新动态

迁移待评估 研究索引；按可核对的标签归档，不以热度评价质量。

308 条精选近 30 天 235 条共收录 346 条

更新

精选归档 · 第 13 页

1月26日周一第 241–260 条
  1. OpenReview · Representation learning74

    在线表征学习与强化学习的 Stackelberg 耦合

    基于摘要分析。该研究针对 Deep Q-learning 中表征与价值估计相互依赖、随非平稳目标共同变化而产生的训练不稳定问题，提出 Stackelberg Coupled Representation and Reinforcement Learning（SCORER）。其核心贡献是把表征学习与 Q-learning 建模为层级博弈中的两个参与者，通过非对称更新实现稳定的协同适应。 机制上，Q-function 作为领导者，以较低频率更新并承诺其策略；感知网络（编码器）作为跟随者，更频繁地调整表征，在领导者策略固定时降低 Bellman 误差的方差。摘要将两者的目标分别描述为最小化均方 Bellman 误差（MSBE）及其方差，并认为方差降低可减少价值估计偏差。该框架形成双层优化问题，以双时间尺度算法近似求解，有别于整体式网络中的同步参数更新。具体方差估计方式、梯度计算、更新频率及偏差降低所需条件尚未验证。 作者报告，在 DQN 及其变体上的实验表明，收益来自算法机制而非模型复杂度；摘要未提供任务、数据规模、对照配置或具体指标，因此无法判断收益幅度与适用范围。实验协议、消融及统计信息尚未验证，复现还需核对网络配置、优化目标实现和双时间尺度调度。 平台推测（待验证）：若 EEG/BCI 问题被明确建模为序贯决策，该机制可能用于缓解编码器表征变化与自举价值目标相互影响的瓶颈，而不能直接视为 EEG 分类方法。迁移依赖可定义的状态、动作、奖励及离策略数据；可复用双时间尺度更新思路，但需改造 EEG 编码器与任务接口。低信噪比、跨被试或通道差异可能使方差估计不稳，小数据也可能不足以支撑跟随者频繁更新。可在固定被试划分与相同模型容量的 EEG 序贯决策任务中，对照同步更新、仅改变更新频率和完整 SCORER，检验价值误差方差与任务表现是否同步改善。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其将 Q-function 与编码器分工为均方 Bellman 误差及其方差优化、并采用双时间尺度更新的机制，尤其是性能收益能否与更新频率和模型复杂度的影响区分。

  2. OpenReview · State space models77

    使状态空间模型在视觉任务中实现真正的全局感知

    基于摘要分析。该研究针对视觉任务中全局上下文建模缺乏严格数学定义，以及注意力计算成本与状态空间模型（SSMs）递归建模限制之间的矛盾，提出全局图像建模的数学定义和频域理论框架，并据此设计 Global-aware SSM（GSSM）与可嵌入 CNN 的 GMamba 模块。 核心机制是基于 Discrete Fourier Transform（DFT）的调制，在 SSM 前端控制其建模行为，以频域视角处理递归机制对全局感知的限制。作者称已形式化证明 GSSM 满足所提出的全局图像建模定义，并报告其计算复杂度为线性对数级。摘要未给出定义的具体条件、调制形式、训练目标及复杂度所对应的输入规模变量，因此尚不能判断该定义与常见全局感受野或全局信息交互的关系。 作者报告，在目标检测、语义分割和实例分割任务、以及多种模型架构中，GMamba 均优于现有全局建模模块；但摘要未列出数据集、划分、对照模块、评价指标或具体增益，不能据此判断优势幅度及不同协议下的可比性。作者提供了代码链接，代码完整性、运行条件、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 DFT 调制的全局建模机制能够适配多通道时间序列，它可能用于探索 EEG 长时程信息交互，但视觉结果不等于 BCI 有效。原方法面向图像结构，其监督方式与所需数据规模尚未明确；迁移时需改造时间与通道布局、频域调制及任务输出模块，并核对是否需要双向或完整片段输入。低信噪比、跨被试频谱差异、通道变化及小数据过拟合均可能使收益失效。可在固定 EEG 数据划分与相同训练预算下，对比基础 SSM、加入 GSSM 的版本及移除 DFT 调制的版本，检验任务指标与计算开销，并分别报告被试内和跨被试结果。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其全局建模的数学定义与 DFT 调制如何改变 SSM 的递归建模限制，但理论证明的适用条件、计算复杂度口径及视觉实验对照尚需全文核对。

9月23日周二
  1. OpenReview · Representation learning75

    关系表征学习

    基于摘要分析。该研究提出 Relational Representation Learning（RRL），将表征学习统一描述为关系图估计问题：不再孤立地处理样本，而是通过样本间的成对关系定义学习目标，并由编码器产生的嵌入估计关系图、最小化其与指定目标图的差异。 核心贡献是把自监督、半监督与监督学习目标纳入同一数学框架。作者据此分析自监督学习中的收敛缓慢、性能差异，以及 projector 与 backbone 的准确率差距，并讨论辅助投影头的作用。摘要未给出关系图的具体构造、差异度量、损失形式或训练流程，这些实现细节尚未验证。 作者报告，在其所用实验设置中，提高图内关系的丰富度能够加快收敛并改善下游表现。摘要未提供数据集、划分、对照基线、指标数值或关系丰富度的操作定义，因此目前无法判断改善幅度与适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 样本之间能够定义可靠的任务相关关系，RRL 或可用于研究跨被试表征中任务信息与个体差异的分离。其迁移依赖可用的成对关系或监督信息，以及足够稳定的图估计；可复用的是目标图与嵌入关系匹配的思路，需改造 EEG 编码器、关系构造及通道对齐方式。低信噪比可能使图主要反映伪迹，被试与通道差异可能主导样本关系，小数据则可能导致关系估计不稳定。一个可证伪的小实验是，在固定 EEG 数据划分、编码器与训练预算下，比较原有预训练目标和 RRL 目标，并逐步改变关系丰富度，观察收敛速度与同一跨被试协议下的下游指标是否同步改善。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其将多类预训练目标统一为关系图估计的形式化框架，并核对关系丰富度如何影响收敛与下游表现；这些结论在 EEG 场景中的适用性尚未验证。

9月19日周五
  1. OpenReview · Representation learning71

    FORLA：基于 Slot Attention 的联邦对象中心表征学习

    基于摘要分析。FORLA 面向异质、无标签视觉数据上的联邦表征学习，尝试在保留跨客户端共同信息的同时解耦域特有因素。其核心贡献是协同训练共享特征适配器与共享 slot attention 模块，将基础模型特征适配与对象中心表征学习结合起来。 机制上，共享适配器负责转换基础模型提供的特征，slot attention 模块学习重建适配后的特征，并承担跨客户端对象级表征对齐。为优化适配器，作者设计了双分支 student–teacher 架构：各客户端的 student decoder 重建基础模型的完整特征，teacher decoder 重建适配后的低维特征。摘要未给出具体损失形式、教师更新方式、联邦聚合策略或基础模型配置，这些实现条件尚未验证。 作者报告，在多个真实世界数据集的对象发现任务中，FORLA 优于集中式基线，并学得紧凑、可跨域泛化的表征。但摘要未提供数据集名称、客户端划分、评价指标、数值结果及基线配置，因而无法判断优势出现的具体条件，也不能据此认定其在所有联邦设置下优于集中式训练。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移至 EEG 的假设是，共享适配器可缓解不同被试或采集域的特征差异，slot attention 可用于提取跨域共有的潜在成分。原方法依赖基础模型特征及视觉对象结构；EEG 中是否存在可稳定分离、对齐的对应成分尚不明确。可复用部分是共享适配与潜在成分重建，需改造 EEG 特征编码、时空位置表示及客户端划分。低信噪比、通道不一致和小数据可能使 slot 聚合噪声或被试特有因素，而非任务相关成分。一个可检验的小实验是在固定 EEG 编码器和相同 Cross-subject 划分下，对比共享适配器单独使用与加入 slot attention 的方案，核对跨被试表现及成分稳定性；这不是已验证的 BCI 结果，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 FORLA 将共享特征适配器、无监督 slot attention 与双分支 student–teacher 重建结合，用于异质客户端间的对象级表征对齐，但其优于集中式基线的条件及向 EEG 迁移的可行性尚未验证。

  2. OpenReview · Representation learning74

    面向定制任务的条件表征学习

    基于摘要分析。该研究针对通用表征偏向主导语义、难以匹配用户定制任务的问题，提出 Conditional Representation Learning（CRL），利用用户指定的语义准则构造条件特征空间，并将图像表示投影到该空间，为定制分类与检索任务提供表征。 核心机制：作者提出，特征空间的语义由其基决定，因此可用一组描述性词语近似定制空间的基。CRL 先通过大语言模型（LLM）生成与用户准则相关的描述文本，再借助视觉语言模型（VLM）将图像表示投影到相应条件空间。摘要以动物栖息地分析为例，说明任务需要场景特征，而通用嵌入可能更强调类别语义。其方法侧重按准则调整表示空间，而非直接依赖监督微调；是否完全免训练、如何构造和规范化语义基、具体投影公式及计算成本尚未验证。 作者报告，分类与检索实验支持 CRL 的优越性和通用性，但摘要未提供数据集、划分、对照方法或具体指标，暂不能判断收益幅度及适用边界。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，但实现细节、模型依赖和复现条件尚未核查，亦不能由仓库名称推断论文接收状态。 平台推测（待验证）：该机制可能为 EEG 中“通用表征未保留目标任务信息”的问题提供思路，但原方法依赖图像与文本之间的语义对齐，不能直接视为 EEG 方法。假设已有 EEG 编码器可与任务描述建立可靠对齐，可复用文本准则生成与条件投影思路，需改造信号编码和跨模态对齐模块。低信噪比、跨被试或通道差异，以及小数据条件下的对齐不稳定，可能使文本基无法对应可解码的神经特征。一个可检验的小实验是在固定的跨被试划分下，对同一冻结 EEG 表征比较原始表示、真实任务文本条件投影与打乱文本条件投影，检查增益是否确由任务语义带来。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 CRL 如何用文本构造条件语义基并投影图像表示，以缓解通用表征与定制任务的语义错配；其对 EEG/BCI 的适用性尚未验证。

  3. OpenReview · State space models72

    DAMamba：采用动态自适应扫描的视觉状态空间模型

    基于摘要分析。该研究针对视觉状态空间模型（SSMs）将图像块按人工设计的路径展平为序列时，可能破坏语义空间邻接关系、难以适应复杂图像结构的问题，提出 Dynamic Adaptive Scan（DAS），并据此构建视觉骨干 DAMamba。其核心贡献是以数据驱动方式自适应分配扫描顺序与区域，而非依赖固定的局部或全局扫描路径。 机制与结果：作者称 DAS 在增强建模灵活性的同时，保持线性计算复杂度与全局建模能力。作者报告，DAMamba 在图像分类、目标检测、实例分割和语义分割任务中优于多种常用视觉 Mamba 模型，并超过部分近期先进 CNNs 与 ViTs。摘要未给出对应数据集、数据划分、基线配置或具体指标，因此不能量化提升或确认不同模型间的比较条件。扫描分配的实现、训练监督、损失、复杂度计算口径，以及实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 DAS 能在 EEG 通道拓扑或时频表示上学习有意义的遍历顺序，它可能缓解固定序列化方式对空间关系的扭曲；但图像块的二维邻接与 EEG 电极布局及信号相关性并不等价。可考虑复用自适应扫描思路，需改造输入表示、位置关系和扫描约束。其所需训练规模及监督条件尚未验证；低信噪比、小数据、跨被试差异和通道布局变化可能导致扫描策略不稳定或过拟合。 一个可证伪的小实验是：在同一 EEG 任务、固定数据划分与训练预算下，对比固定扫描和 DAS，使用相同骨干与预处理，分别评估被试内和跨被试表现，并观察通道扰动后的性能与扫描稳定性。这仅是迁移假设，不是已验证的 BCI 结果；已有 EEG 相关工作尚未检索确认。复现仍需全文中的扫描算法、训练配置和实现细节。

    阅读价值：值得核对 DAS 如何学习扫描顺序与区域，以及其线性计算复杂度和视觉任务收益的验证方式；摘要尚不足以确认其对 EEG 空间关系建模的适用性。

  4. OpenReview · Representation learning77

    GLIM：面向混合整数线性规划的可泛化学习表示

    基于摘要分析。该研究针对混合整数线性规划（MILP）的学习方法难以泛化至训练分布之外或不同任务的问题，提出通用嵌入模型 GLIM（Generalizable Learning Representation for MILPs），旨在让不同 MILP 类别和下游任务共享表示。 核心机制是将每个 MILP 实例编码为二部图，通过结合 GNN 模块与 Perceiver-like blocks 的混合架构处理。作者以问题类型与问题规模是相互正交、其交互影响经验求解难度这一观察为动机，学习旨在解耦类型、规模与求解复杂度的联合表示。摘要称训练语料包含约 78,000 个实例，覆盖 2,000 个问题类别；图特征、解耦约束、损失函数、监督信号及训练细节尚未验证。 作者在 MILP Instance Retrieval 与 MILP Solver Hyperparameter Prediction 两项任务上评估表示质量。作者报告，在分布内和分布偏移设置中，包括真实世界 MIPLIB 基准，GLIM 在多数情况下优于强基线，并能迁移至新类别与新规模。摘要未提供具体指标、提升幅度、基线名称或划分方式，因此不能据此量化优势；实验协议、消融及统计信息尚未验证。复现需进一步核对训练语料构成、训练与测试类别及规模的隔离方式，以及两项任务的评价标准。 平台推测（待验证）：其潜在 BCI 关联更偏向优化环节，而非直接处理 EEG。假设电极选择或资源调度能够明确表述为 MILP，GLIM 的实例编码与求解器超参数预测模块可能可复用，但需适配变量、约束与目标的图特征，并核查训练语料是否覆盖相应问题结构。EEG 低信噪比和跨被试变化可能使优化输入不稳定；通道规模变化及少量可用实例也可能削弱迁移。一个可检验的小实验是在固定的电极选择 MILP 集合上，比较 GLIM 预测超参数与默认求解器配置的求解时间及解质量，并单独保留未见通道规模作为测试条件。此为迁移假设，不是论文已验证结果；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其如何将 MILP 的问题类型、规模与求解复杂度纳入可复用表示，并核对分布偏移下实例检索与求解器超参数预测的泛化证据；其对 EEG/BCI 的价值尚未验证。

9月17日周三
  1. OpenReview · State space models78

    记忆决定学习方向：状态空间模型中基于梯度的优化理论

    基于摘要分析。本文研究状态空间模型（SSMs）的记忆结构如何影响基于梯度的学习动态，并据此提出初始化及循环权重训练策略。核心贡献是从当前状态对输入时间序列的存储方式出发，分析记忆精度与记忆长度的权衡，将记忆结构与优化方向联系起来。 理论机制：作者提出 structured state space sequence model（S4）与循环权重为对角形式的简化 S4 之间的理论等价性，并分析初始参数的重要性。作者的分析表明，成功学习需要尽可能长的初始记忆，即使这可能降低记忆精度，或使梯度失去 teacher information。该结论的具体假设、等价性的适用范围及 teacher information 的定义，需查阅全文核对，不宜扩展为所有 SSM 的通用规律。 实验与训练策略：作者报告，在需要长记忆的任务上，训练过程中延长记忆较为困难，支持了初始化的重要性；固定循环权重相比更新这些权重，可取得相当或更高的性能，并更快收敛。摘要未提供任务名称、数据规模、划分、指标或具体对照配置，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务依赖较长时间跨度的信息，预设较长记忆并固定循环权重可能减少小数据条件下的优化负担。可复用部分是记忆初始化与权重冻结策略；需改造输入编码、通道处理和记忆时间尺度。其风险是较低的记忆精度放大低信噪比输入的干扰，且跨被试与通道差异可能使固定动态不适配。一个可证伪的小实验是在同一 EEG 任务、固定数据划分与模型规模下，对照长／短初始记忆及固定／可训练循环权重，分别记录任务指标与收敛速度。原研究并未在摘要中提供 EEG 验证，相关 EEG 工作尚未检索确认。

    阅读价值：该研究将 SSM 的初始记忆结构与梯度优化方向联系起来，并提出固定循环权重的可检验训练策略，值得核对其理论适用条件及长记忆任务上的对照实验。

9月6日周六
  1. OpenReview · Representation learning79

    可证明地学习任务相关的世界表征

    基于摘要分析。该研究探讨如何从观测 o = f(s) 中识别任务相关潜在表征，核心贡献是在非参数设定下，分别给出跨时间步任务结构与单个时间步内任务相关表征的可辨识性保证。这里的可辨识性指渐近条件下恢复真实表征的理论保证，不等同于有限数据下的预测性能。 作者报告，第一项理论结果可在完全无监督条件下识别时间步与任务之间的结构，允许序列不具有严格时间依赖、存在断连，以及任务分配具有复杂交错结构。第二项结果表明，借助简单的稀疏正则化，可在每个时间步内将任务相关潜在表征与无关部分解耦，无需额外信息或参数化约束。两项结果构成分层框架：先识别跨时间步的任务结构，再识别步内的任务相关表征。作者将其描述为迈向可证明地从通用模型转向专用模型的一步，并声称据其所知，两项结果各自提供了首个一般非参数可辨识性保证；这些优先性声明尚未独立核对。 摘要未提供定理的完整前提、可辨识性的等价范围、稀疏正则化的具体形式或可实施训练流程。实验协议、消融及统计信息尚未验证，不能据此判断实际恢复精度、样本需求或计算代价。 平台推测（待验证）：假设 EEG 观测中存在可与任务无关活动分离的潜在因素，该分层思路可能对应 EEG 中任务信号与背景活动混杂、跨被试表征不稳定的问题。可借鉴的是结构识别与相关／无关因素分离的理论框架；观测映射、噪声模型、任务结构和稀疏条件则需针对 EEG 核对或改造。低信噪比、被试差异、通道混合及小数据可能使有限样本恢复失效。一个可证伪的小实验是在已知潜在因素与任务结构的合成 EEG 类混合信号上，改变噪声和任务交错程度，比较采用与不采用稀疏正则化时的因素恢复能力；这仅是迁移假设检验，不是已验证的 BCI 效果。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其跨时间步任务结构与步内任务相关表征的分层可辨识性论证，重点核对非参数假设、稀疏正则化条件及可辨识性的等价范围；其对 EEG 表征学习的适用性尚未验证。

7月13日周日
  1. OpenReview · Representation learning76

    通过灵活表征引导学习扩散模型

    基于摘要分析。研究探讨如何将辅助表征系统地融入扩散模型，以改善生成质量。作者提出表征引导框架，通过不同的去噪模型分解及对应训练准则，规定辅助表征在何时、以何种方式参与模型学习。 机制与贡献：摘要以既有工作中的表征对齐为出发点，即将扩散模型的内部表征与预训练模型表征对齐。作者在理论分析基础上提出两项策略：一是将样本与来自样本自身或不同合成模态的目标表征配对，再学习这些多模态配对的联合模型；二是设计平衡表征学习与数据生成的训练课程，作者称其为最优训练课程。具体分解形式、损失函数、合成模态构造方式及最优性的成立条件尚未验证。 结果与复现：作者报告，在蛋白质序列与分子生成任务中取得更优性能并加速训练。摘要未给出数据集、划分、对照基线、指标数值或计算预算，因此不能判断收益大小及适用范围。摘要提供了代码仓库，但实现与论文的一致性、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，在 EEG 生成或数据增强中，辅助表征可能帮助生成模型保留任务相关结构；这不等于已验证的 BCI 效果。该路径依赖可靠的目标表征与样本配对，可考虑复用表征对齐和训练课程机制，但需改造 EEG 编码、时序与通道表示。低信噪比、跨被试差异及小数据可能使引导偏向噪声或被试身份。一个可证伪的小实验是：在固定被试划分与训练预算下，对比无引导和表征引导的 EEG 生成模型，同时评估生成信号的结构保真度及对独立测试集解码的帮助。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其去噪模型分解与表征引导训练准则之间的对应关系，以及多模态配对和训练课程如何协调表征学习与生成；具体性能优势及加速幅度尚需全文验证。

6月13日周五
  1. OpenReview · State space models73

    DyGMamba：利用状态空间模型高效建模连续时间动态图中的长期时间依赖

    基于摘要分析。DyGMamba 面向连续时间动态图（CTDG）表示学习，试图同时解决长节点交互历史带来的计算开销，以及从长历史中识别关键时间信息的难题。其核心贡献是结合节点级与时间级状态空间模型（SSM），在编码历史交互的同时动态选择重要信息。 机制上，DyGMamba 源于 Mamba：节点级 SSM 首先编码节点历史交互序列，时间级 SSM 再提取历史图中的时间模式，并用其输出动态选择交互历史中的关键信息。摘要支持这种功能分工，但未说明选择操作、时间间隔编码、损失形式和训练细节，不能据此推断具体网络结构或复杂度阶数。 作者在动态图链接预测任务上验证该方法，并报告其在多数情况下达到最先进水平，同时保持较高的计算资源效率，使有限计算预算下捕获长期时间依赖成为可能。摘要未提供数据集、划分、对照基线、指标数值或资源测量条件，因此尚不能判断优势集中在哪类图、历史长度或预测协议；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能适用于将 EEG 表示为带时间戳交互事件图的研究，探索长时依赖与关键交互筛选，但原领域有效不等于 BCI 有效。可复用的是历史交互序列编码和时间信息选择思路；需要改造的是 EEG 通道或脑区节点定义、边事件构建及任务监督。其依赖的事件图结构与常规连续 EEG 信号并不等同，低信噪比可能产生不稳定边事件，跨被试通道差异和小数据也可能削弱选择机制。一个可检验的小实验是在固定 EEG 图构建、数据划分与计算预算下，对比完整机制和不使用时间级动态选择的版本，检查长历史是否带来稳定收益。已有 EEG 相关工作尚未检索确认；具体复现仍需取得全文及核对实现条件。

    阅读价值：值得核对其节点级历史编码与时间级动态信息选择的协同机制，以及长交互历史下预测性能和计算资源开销的权衡；摘要中的领先结果仍需结合具体评估协议验证。

5月10日周六
  1. OpenReview · Representation learning77

    基于 Empowerment 的表征学习与技能发现

    基于摘要分析。本文研究强化学习中表征学习与无监督技能发现如何联合进行，提出以 empowerment 目标同时优化观测表征和可执行技能，并提供理论分析及新的 actor-critic 架构。 核心机制：摘要将 empowerment 描述为衡量智能体从某种表征出发能够执行的不同技能的最大数量。作者的理论分析指出，如果表征不把具有不同充分统计量的观测合并，可执行的不同技能数量就会增加，因此最大化该目标有助于学习观测的充分统计量表征。为联合学习表征与技能，作者采用相较既有工作更紧的互信息变分下界，并通过新的 actor-critic 架构优化该目标；下界的具体形式、成立条件、技能参数化及训练流程尚未验证。 结果与证据边界：作者报告，在其经验评估中，该方法相比现有无监督技能发现方法能学习显著更多的技能，并能获得适用于下游强化学习的表征。摘要未给出环境、观测结构、基线名称、技能计数标准或下游指标，故无法量化收益，也无法核对“显著”的统计含义。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 驱动的交互任务具备可执行动作、连续交互轨迹和可区分的结果，该目标可能帮助保留与控制有关的状态信息，而非仅重建观测；这并不等同于已验证的 EEG 分类收益。可考虑复用互信息目标与 actor-critic 优化框架，但需改造 EEG 编码器、技能定义和交互环境。低信噪比、跨被试及通道差异可能使技能区分依赖伪相关，小数据也可能使互信息估计不稳定。一个可证伪的小实验是在固定 EEG 交互任务、数据划分和交互预算下，对照联合目标与仅技能发现目标，检验下游控制表现及跨被试稳定性；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其以 empowerment 联合驱动表征学习与无监督技能发现的理论机制，并核对更紧的互信息变分下界是否带来可复现的收益；摘要未提供具体实验协议。

5月1日周四
  1. OpenReview · Representation learning75

    强化学习中基于 Laplacian 的在线表征学习

    基于摘要分析。本文研究强化学习中的 Laplacian 表征能否与策略学习一起在线学习，并获得理论保证；核心贡献是基于 Asymmetric Graph Drawing Objective（AGDO）构建在线优化方法，分析在线投影梯度下降的收敛性。 该框架利用底层状态转移图的 Laplacian 矩阵特征向量，将原始感官观测编码为表征。论文关注的不只是表征是否有用，而是在持续交互、策略学习同时进行的条件下，能否在线获得目标 Laplacian 表征。作者报告，在一定假设下给出了收敛分析，并通过仿真实验验证向真实 Laplacian 表征的收敛；同时讨论不同强化学习算法与在线表征学习的兼容性。摘要未披露 AGDO 的具体形式、约束、假设内容、仿真环境、对照方法及定量结果，实验协议、消融及统计信息尚未验证，不能据此判断样本效率或跨任务泛化是否获得实际提升。 平台推测（待验证）：若 EEG 状态能够构成有意义的时间转移图，该机制可能用于学习保留状态转移结构的在线表征，为非平稳信号的持续更新提供一个研究切入点。这一假设依赖可靠的图构建与足够的转移观测，原领域的收敛结论不等于 EEG/BCI 有效。可考虑复用在线优化框架，但需改造 EEG 状态定义、邻接关系及观测编码；低信噪比、跨被试差异、通道变化和小数据可能使转移图失真或估计不稳定。一个可检验的小实验是，在固定被试内划分和相同 EEG 特征输入下，对比在线更新与冻结的 Laplacian 表征，检查目标值、表征稳定性及下游解码表现，并避免使用测试阶段未来观测构图。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作者将 Laplacian 表征学习表述为基于 AGDO 的在线优化问题，并分析在线投影梯度下降的收敛性，可用于核对表征更新与策略学习如何兼容，但其对 EEG/BCI 的适用性尚未验证。

  2. OpenReview · Representation learning74

    Sliding Puzzles Gym：视觉强化学习中状态表征的可扩展基准

    基于摘要分析。该研究针对视觉强化学习基准难以将表征学习能力与其他学习挑战分离评估的问题，提出 Sliding Puzzles Gym（SPGym），将经典 8-tile puzzle 转化为使用可扩展图像池的视觉 RL 任务。其核心贡献是通过可调网格大小和图像池控制视觉表征难度，为研究表征能力随视觉多样性变化的表现提供评估环境。 机制上，摘要称 SPGym 在保持环境动力学、观测空间和动作空间固定的同时，调节表征学习复杂度。不过，网格大小变化与这些空间保持固定之间的具体实现关系，仍需正文核对。该基准依赖图像构成的拼图观测与 RL 交互任务；图像内容、池规模及训练与测试的分布划分，是解释泛化结果的重要条件。 作者报告，在所评估的 model-free 与 model-based RL 算法中，随着可能出现的图像池扩大，所有受评算法的分布内和分布外表现均下降；复杂表征学习技术也常不及数据增强等较简单方法。这一结果限定于摘要所述实验，不能扩展为所有 RL 方法的普遍结论。具体算法、图像数据集、评价指标、划分协议、消融及统计信息尚未验证，摘要未提供可用于量化比较的数值。 平台推测（待验证）：其对 BCI 的潜在启发主要是评估设计，而非直接可迁移的模型——可借鉴将任务规则与输入多样性分开控制的思路，检验 EEG 表征在跨被试或跨会话变化下的稳定性。但 EEG 的低信噪比、通道差异及有限样本与视觉拼图不同，需要重新定义观测、任务和分布变化因素；不能据此认定 SPGym 的结果适用于 EEG。已有 EEG 相关工作尚未检索确认。复现前还需核对环境实现、图像池构建方式、对照配置与代码可用性。

    阅读价值：SPGym 通过控制图像池与拼图规模考察视觉表征能力，值得核对其隔离表征难度的实验设计，以及复杂表征方法与数据增强在相同协议下的比较结果。

  3. OpenReview · State space models74

    面向复杂环境长期动力学预测的可泛化物理增强状态空间模型

    基于摘要分析。该研究针对复杂环境中含噪声、非规则采样数据的长期动力学预测，提出 Phy-SSM，将部分已知物理知识融入状态空间模型（SSMs），以改善长期插值与外推。 核心机制是将部分已知的系统动力学分解为已知与未知状态矩阵，并将其整合到 Phy-SSM 单元中；同时引入 physics state regularization，使估计的潜在状态与系统动力学对齐。研究动机是结合 SSMs 的长程依赖建模能力与物理知识提供的约束。作者还对方法解的唯一性进行了理论分析，但具体假设、适用条件、矩阵参数化及正则项形式尚未验证。 作者报告，在车辆运动预测、无人机状态预测和 COVID-19 流行病学预测三类真实应用中，Phy-SSM 在长期插值与外推任务上优于对照基线。摘要未提供具体数据集名称、划分方式、预测时长、噪声与采样设置、基线名称或指标数值，因此尚不能判断优势幅度及不同协议下的稳健性。实验协议、消融及统计信息尚未验证。作者表示代码将在发表时公开，当前材料不能确认代码已可用或论文已正式发表。 平台推测（待验证）：若 EEG 预测任务存在可明确表达的部分动力学先验，已知与未知状态矩阵的分解可能为低信噪比、非规则采样下的时间序列建模提供约束。这是假设，并非已验证的 EEG/BCI 效果。可考虑复用矩阵分解与潜在状态正则化机制，但需要重新定义 EEG 的潜在状态、观测映射与先验；跨被试动力学差异、通道变化、错误先验及小数据条件都可能使约束失效。一个可检验的小实验是在固定被试内划分与预测时长下，对比普通 SSM、加入合理先验的 Phy-SSM 和加入扰动先验的版本，并评估不同噪声与采样缺失条件下的预测误差。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 Phy-SSM 如何将部分已知动力学纳入状态矩阵及潜在状态正则化，尤其是其在噪声、非规则采样条件下的长期外推协议；其对 EEG 的适用性尚未验证。

3月6日周四
  1. OpenReview · Representation learning72

    分子的多模态表征学习

    基于摘要分析。该研究针对仅依赖化学结构的分子表征难以充分捕获生物学背景的问题，提出融合分子数据、Cell Painting 形态特征及 LINCS L1000 转录组谱的多模态表征学习框架，旨在改善毒性与活性预测。 核心机制是通过对比学习，将分子表征与生物学模态对齐。与需要完整“分子—形态—转录组”三元组的方法不同，该框架只要求“分子—形态”和“分子—转录组”两类配对数据，无需每个样本同时具备全部模态。摘要未说明编码器结构、具体对比损失、负样本构造或各模态的训练安排，这些细节尚未验证。 作者报告，在 ChEMBL20 上针对 1,320 个任务进行 linear probing 评估，预测性能有所提升。摘要未提供具体指标、增益数值、数据划分与对照基线，因此不能判断提升幅度，也不能据此确认跨数据集泛化能力。实验协议、消融及统计信息尚未验证；复现还需核对两类配对数据的获取方式、样本对应规则、预处理与训练配置。 平台推测（待验证）：其可迁移假设是，用共同锚点连接不同模态的成对监督，可能缓解 EEG 多模态研究中完整配对数据难以收集的瓶颈。可复用的是成对对比对齐思路，需改造的是 EEG 编码、时间窗匹配及正负样本定义；这要求不同配对数据间存在具有可比语义的共同锚点。低信噪比、被试差异、通道配置变化及小样本可能使表征偏向身份或采集条件，而非目标任务。可检验的小实验是在固定数据划分与配对样本预算下，比较两类成对对齐、完整多模态对齐和单模态基线，并单独考察跨被试表现。该假设不代表已证实的 EEG/BCI 效果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的具体机制是以分开的分子—形态和分子—转录组配对数据进行对比对齐，降低对完整三模态配对的依赖；性能增益与迁移至 EEG 的适用性仍需进一步验证。

1月23日周四
  1. OpenReview · Representation learning74

    迈向表征对齐的学习理论

    基于摘要分析。本文研究如何从学习理论角度理解不同 AI 模型之间的表征对齐，核心贡献是将任务语境中的 stitching 性质与底层表征的 kernel alignment 联系起来，而非仅以经验相似度判断表征是否对齐。 作者首先梳理并联系基于度量、概率与谱的不同对齐概念，随后聚焦 stitching，即在具体任务中考察不同表征之间的衔接与相互作用。作者报告，其理论结果建立了 stitching 性质与 kernel alignment 的关联，并将这一工作定位为把表征对齐形式化为学习理论问题的初步探索。摘要未给出具体定理、假设、界或 stitching 的实现方式，不能据此判断该关联是否意味着任务性能等价。 文中关于模型规模与性能提高时表征趋于对齐、乃至趋向共同现实统计模型的说法，是研究背景中的既有观点与猜想，不应视为本文已经证实的结论。具体数据、监督条件、模型规模依赖、实验协议、消融及统计信息尚未验证；复现或核验需取得正文中的对齐定义、理论假设及任务设置。 平台推测（待验证）：若该理论能处理不同表征空间及任务监督条件，可用于分析 EEG 跨被试或跨模型表征的相似性是否对应实际解码可迁移性。可借鉴的是 kernel alignment 与 stitching 的联合分析；需改造的是通道对应、表征接口及跨被试评估协议。低信噪比、被试差异和小样本可能使相似度估计不稳定。一个可检验的小实验是在固定跨被试划分下，比较不同 EEG 表征的 kernel alignment 与受控 stitching 后任务表现是否一致变化；这不是本文已验证的 EEG 结果，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作者将任务语境中的 stitching 性质与表征的 kernel alignment 联系起来，为区分表征相似性与任务可用性提供学习理论视角，但具体结论及适用条件尚未验证。

  2. OpenReview · State space models79

    状态空间模型在动态 token 选择上可证明与 Transformers 相当

    基于摘要分析。该研究探讨状态空间模型（SSMs）结合全连接神经网络后，能否根据输入动态提取关键 token，并在特定任务与函数类下建立其与 Transformers 的能力比较。 核心机制与理论贡献：作者指出，既有理论研究多关注不含非线性层的 SSM 层，难以充分解释 SSM 与非线性模块组合后的能力。本文将研究对象扩展到 SSM 与全连接神经网络的组合；作者报告，这种组合在输入依赖的关键 token 提取能力上可与 Transformers 相当。摘要未给出具体网络结构、动态选择机制、证明假设或复杂度界，不能据此推断任意 SSM 架构均具备同等能力。 任务与结果：作者报告，在两个对单个 SSM 层具有挑战性的合成任务上，加入非线性层的 SSM 能高效求解；此外，在非参数回归问题中，作者证明 SSM 与 Transformers 对某一函数类的估计能力等价。合成任务定义、函数类约束、样本规模、评估指标及比较协议尚未验证，因此这些结论应限定在论文所设条件内，而非推广为一般任务上的性能等价。 平台推测（待验证）：若 EEG 任务需要按输入选择少量关键时间片段，该理论可能为评估 SSM 与非线性模块的组合提供依据。但其对 EEG 低信噪比、跨被试变化和小样本条件的适用性尚未验证；需先核对定理对输入结构、监督形式及函数类的要求，再判断是否具备迁移路径。已有 EEG 相关工作尚未检索确认。全文证明、实验协议、消融及统计信息尚未验证。

    阅读价值：值得阅读其关于 SSM 与非线性层组合的理论分析，以核对动态 token 选择和非参数回归中与 Transformers 可比的具体条件，而非将其理解为普遍性能等价。

1月1日周三
  1. OpenReview · State space models72

    DefMamba：可变形视觉状态空间模型

    基于摘要分析。DefMamba 针对视觉 Mamba 将图像按预定义扫描顺序展平为一维序列、可能难以充分利用空间结构的问题，提出结合多尺度骨干与 deformable mamba（DM）模块的视觉基础模型，通过动态调整扫描路径增强相关输入特征的提取。 核心机制是 deformable scanning（DS）策略：不完全沿固定顺序处理图像，而是动态调整扫描路径，优先处理重要信息。作者认为，这有助于学习图像结构并捕捉物体细节变化。摘要未说明扫描位置如何生成、是否使用额外监督，以及动态扫描与状态空间计算如何衔接；具体损失、训练配置、参数规模和计算开销尚未验证。 作者报告，DefMamba 在 image classification、object detection、instance segmentation 和 semantic segmentation 等视觉任务上达到领先性能，但摘要未提供数据集、划分、基线或指标数值，因此无法评估各任务的收益幅度及效率权衡。实验协议、消融及统计信息尚未验证。摘要称代码已开源，但当前材料不足以核对实现入口、权重及复现条件。 平台推测（待验证）：迁移假设是，若 EEG 的通道空间关系与时序变化能够形成有意义的扫描结构，动态扫描可能缓解固定通道或时空遍历顺序对局部相关性的限制。可考虑复用状态空间处理与动态扫描思路，但需改造图像空间坐标、多尺度特征组织和扫描约束。原方法依赖的图像网格结构不能直接等同于 EEG 电极布局；低信噪比可能使扫描路径追随伪迹，跨被试及通道配置变化也可能破坏路径稳定性，小数据则可能增加路径学习的过拟合风险。一个可检验的小实验是在同一 EEG 数据划分、预处理与训练预算下，对比固定扫描与可学习扫描，并检查任务指标、计算开销及噪声扰动下的路径稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其可变形扫描相较固定扫描顺序的空间结构建模收益与计算开销，但摘要中的领先性能主张及向 EEG 迁移的有效性尚未验证。

  2. OpenReview · State space models72

    DefMamba：可变形视觉状态空间模型

    基于摘要分析。DefMamba 针对视觉 Mamba 将图像按预定义顺序展平为一维序列、难以充分利用空间结构的问题，提出结合多尺度骨干结构与 deformable mamba（DM）模块的视觉模型。核心贡献是通过 deformable scanning（DS）策略动态调整扫描路径，使特征处理优先关注重要信息。 机制与证据：摘要将空间结构利用不足归因于固定扫描顺序，并以可变形扫描改善图像结构学习和物体细节变化的捕捉。多尺度结构与动态扫描的具体结合方式、路径生成机制、训练目标及计算开销尚未验证。作者将 DefMamba 称为视觉基础模型，但摘要未提供预训练数据、规模或迁移设置，不能据此判断其基础模型能力。 作者报告，在 image classification、object detection、instance segmentation 和 semantic segmentation 等视觉任务上取得 state-of-the-art 性能；摘要未给出数据集、评估划分、指标数值和对照基线，因此无法判断优势幅度或不同任务间的可比性。实验协议、消融及统计信息尚未验证。摘要称代码已开源，但具体仓库、训练配置和复现条件尚未核实。 平台推测（待验证）：迁移假设是，将固定扫描改为内容相关扫描，可能改善 EEG 时空特征的选择与整合；这不是已证实的 BCI 效果。原方法依赖图像的空间结构及视觉任务数据，具体监督方式与数据规模未知。可考虑复用动态扫描思想，但需将二维图像空间改造为电极拓扑与时间结构，并约束扫描保留时序关系。低信噪比可能使路径追踪伪迹，跨被试及通道布局差异可能破坏空间对应，小数据可能导致扫描策略过拟合。一个可证伪的小实验是：在相同数据划分、训练预算与骨干配置下，比较固定扫描和电极拓扑约束的动态扫描在 Cross-subject EEG 分类中的表现，同时检查噪声扰动后的路径稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其可变形扫描如何缓解视觉 Mamba 固定扫描顺序对空间结构利用的限制，但性能优势及向 EEG 迁移的可行性尚需核对全文与实验。