跳到正文

算法、任务与模态

Self-Supervised 最新动态

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

600 条精选近 30 天 93 条共收录 744 条

更新

精选归档 · 第 29 页

1月1日周六第 561–580 条
  1. OpenReview · Representation learning76

    基于自监督的联邦图表示学习

    基于摘要分析。本文研究联邦图表示学习（FedGRL）中标签不足与下游任务异质并存的问题：跨机构客户端拥有大量无标签图数据、有限或没有标签，且各自下游类别标签域不同。作者提出基于模型插值的联邦学习框架，通过自监督目标协同优化共享全局模型，并借助客户端本地模型引入下游任务监督。 作者使用自监督图表示学习方法 BGRL 实例化该框架。其主要机制是协调共享表示学习与本地任务监督，而非直接要求客户端共享统一的下游类别空间。模型插值的具体形式、监督如何作用于全局模型，以及通信与优化流程尚未验证；联邦训练本身也不等于具有形式化隐私保证。 作者报告，在将 Twitch Gamer Network 改造为跨地域客户端场景的实验中，相对传统监督式联邦学习目标平均提升 6.1%，相对各客户端独立自监督训练平均提升 1.7%。作者还构建了兼具标签不足和下游标签域异质特征的 Amazon Co-purchase Networks 数据集，并报告相对上述两类基线分别平均提升 11.5% 和 1.9%。摘要未明确这些增益对应的指标、相对百分比或百分点、平均方式及数据划分，不能将其直接解释为 Accuracy 的百分点提升。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 数据已被表示为通道或脑区图，且不同中心拥有大量无标签记录及不同任务标签，该框架可能对应跨中心标签稀缺和任务异质问题。可复用的是全局自监督与本地监督协同的思路；图构建、输入编码和本地任务头需要适配 EEG。低信噪比、通道不一致、跨被试差异及本地小数据可能造成负迁移。一个可检验的小实验是在统一 EEG 图构建和数据划分下，比较该框架、本地独立自监督和监督式联邦学习，并控制各客户端标签预算，检验共享训练是否稳定优于本地训练。该推断不构成 EEG/BCI 有效性证据，已有相关工作尚未检索确认。

    阅读价值：值得核对其通过模型插值结合全局自监督与本地任务监督的机制，以及在标签不足、客户端标签域异质条件下相对本地自监督训练的收益；其 EEG/BCI 适用性尚未验证。

  2. OpenReview · Representation learning74

    以生成式目标而非对比目标进行句子表征学习

    基于摘要分析。本文研究预训练语言模型对句子级表征学习关注不足的问题，提出基于短语重建的生成式自监督学习目标，作为对比学习目标的替代方案。其核心思路是将句子拆分为重要短语，以建模句内结构并学习句子表征。 机制与结果：作者认为，主流对比目标的语言学可解释性有限，且不能保证下游语义任务表现；这是作者的研究动机，不应视为对所有对比方法的普遍结论。作者报告，所提生成式方法在 STS benchmarks，以及下游语义检索和重排序任务上优于当时的先进对比方法。摘要未提供具体数据集、划分、基线名称或指标数值，因此无法判断收益幅度及适用范围。重要短语的识别方式、重建条件、损失形式、表征提取方式、实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但实现与复现条件尚未核查。 平台推测（待验证）：可迁移的假设是，以结构化局部单元重建约束整体表征，可能为 EEG 自监督学习提供一种目标设计思路，而非直接复用文本短语处理。原方法依赖离散语言序列及重要短语结构；迁移时需把短语划分改造为适合 EEG 的时段或通道组定义，并调整重建目标。低信噪比、跨被试差异、通道配置变化和小数据条件可能使模型主要重建背景噪声，未必获得任务相关表征。一个可证伪的小实验是在固定数据划分、编码器与训练预算下，对比结构化片段重建、随机片段重建及对比目标，并分别评估被试内与跨被试下游表现。上述迁移尚未验证，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对的是以重要短语重建学习句子表征的生成式自监督机制，以及其相对对比学习在语义相似度、检索与重排序任务上的收益；这些收益目前仅有摘要中的作者报告，尚不能外推为 EEG 表征学习效果。

  3. OpenReview · State space models75

    评估基于可穿戴设备的人体活动识别自监督学习研究现状

    基于摘要分析。本文研究可穿戴设备人体活动识别（HAR）中，如何利用无标签数据学习表征，以应对标注训练样本有限的问题；主要贡献是建立系统性评估框架，比较已有自监督方法，而非提出新的 EEG 或 BCI 算法。 原研究采用“预训练后微调”的自监督学习范式作为分析对象，摘要列举了 Multi-task self-supervision、Masked Reconstruction、CPC 和 SimCLR 等相关方法。评估框架包含三个维度，每个维度各有三个判据，分别考察源域与目标域条件变化下的鲁棒性、数据集特性的影响，以及特征空间特性。作者报告使用该框架评估了七种 HAR 自监督方法，以分析其表征在不同场景中的性质与价值；摘要未给出完整方法名单、具体数据集、数据划分、性能指标或方法排序，因此不能据此判断哪种方法更优。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其评估思路可能有助于组织 EEG 自监督表征研究，尤其是区分预训练数据条件变化、目标任务标注量变化与表征质量之间的关系。可复用的是评估维度和“预训练后微调”的比较流程，传感器输入、预处理、增强策略与下游任务则需按 EEG 改造。该假设依赖可用的无标签时序数据及明确隔离的被试或会话划分；EEG 的低信噪比、通道差异和小样本条件可能使 HAR 中的结论失效。一个可检验的小实验是固定 EEG 编码器与微调标注预算，在明确的 Cross-subject 划分下比较自监督预训练与从头监督训练，并检查收益是否随预训练来源变化而稳定。上述仅为迁移评估建议，已有 EEG 相关工作尚未检索确认。

    阅读价值：该研究以统一的多维评估框架审视可穿戴 HAR 自监督方法，值得关注其对源域与目标域条件、数据集特性及特征空间的分析，但具体比较结果与 EEG 适用性尚未验证。

  4. OpenReview · EEG73

    睡眠专家知识启发的睡眠分期对比学习

    基于摘要分析。该研究针对自动睡眠分期对大量标注多通道多导睡眠监测（PSG）记录的依赖，提出基于 EEG 的自监督学习框架 SleepECL。其核心贡献是结合局部与上下文表征开展对比学习，并利用睡眠专家知识识别语义一致的正样本，以改善预训练表征。 机制方面，SleepECL 同时关注 epoch 内 EEG 解码所需的局部表征，以及 epoch 间依赖所形成的上下文表征，通过对比语义一致与不一致的样本学习特征。摘要明确将专家知识用于发现更准确的正样本，但未说明知识的具体表达形式、正负样本构造规则、模型结构、损失函数及预训练与下游训练流程，这些内容尚未验证。 结果方面，作者报告在两个公开数据集上优于其比较的先进自监督方法，并报告预训练模型仅使用少量带标注的单通道 EEG 记录即可达到可接受的睡眠分期表现。摘要未提供数据集名称、被试数、标注用量、评价指标或具体分数，也未交代被试内、跨被试或跨会话划分，因此不能据此量化性能收益或判断泛化范围；实验协议、消融及统计信息尚未验证。 阅读与复现时，应重点核对专家知识的实现方式、局部与上下文对比目标各自的贡献，以及少标注条件下与基线的训练数据和评估协议是否一致。该工作的直接对象是 EEG 自动睡眠分期，摘要中的应用潜力不等同于已完成临床验证，也不能直接推及其他 BCI 任务。

    阅读价值：值得关注 SleepECL 如何利用睡眠专家知识构造对比学习正样本，并同时学习 epoch 内与 epoch 间表征；其少标注单通道 EEG 睡眠分期价值仍需结合完整实验协议核验。

  5. OpenReview · Representation learning71

    采用自监督表征的竞争性多智能体强化学习

    基于摘要分析。该研究面向竞争性多智能体强化学习，提出 MASRL，通过预测对手未来动作的自监督辅助任务，为智能体提供额外的表征学习信号，使其在学习自身策略时同时建模对手行为。 核心机制是将对手行为预测引入表征学习，以支持对手策略预判与针对性利用。摘要未说明预测时间跨度、预测目标的构造方式、辅助损失与强化学习目标的组合方式，以及训练和推理阶段各自可访问的观测信息，这些实现条件尚未验证。 作者报告，在 Multi-Agent Atari benchmark 上，MASRL 优于其他强基线，并改善训练稳定性、样本效率，以及对未见专家对手的策略泛化与适应能力。摘要未提供具体游戏、基线名称、评估划分、指标或数值，因此尚不能判断收益幅度、适用范围及泛化评估的严格程度；实验协议、消融及统计信息尚未验证。 该论文的主要研究对象是竞争性游戏智能体，而非 EEG 解码或 BCI。当前材料未建立对手动作预测与神经信号学习之间的具体对应关系，不能将其结果解释为已验证的 BCI 方法收益。复现前需查阅全文，核对对手轨迹的获取条件、自监督目标构造、对手划分及训练预算；摘要提供演示视频入口，但实现代码与复现配置尚未验证。

    阅读价值：值得关注其以预测对手未来动作作为自监督辅助任务的表征学习机制，但性能收益与对未见对手的泛化仍需结合完整评估协议核对。

  6. OpenReview · Representation learning73

    Graph Barlow Twins：一种图自监督表征学习框架

    基于摘要分析。本文研究图自监督表征学习中负样本难以定义的问题，提出 Graph Barlow Twins，以基于交叉相关的损失替代依赖负样本的学习目标，旨在减少对昂贵数据标注的依赖。 机制与对照：摘要明确指出，该框架不依赖非对称神经网络架构，并以 BGRL 为相关对照。其核心阅读价值在于探索不使用负样本、也不依赖非对称架构的图表征学习路径。交叉相关的具体计算方式、损失形式、图增强策略、编码器与训练流程尚未验证，不能仅凭方法名称补全。 结果与证据边界：作者报告，其结果可与表现最好的自监督方法及全监督方法竞争，同时所需超参数更少、计算时间更短；作者报告相对 BGRL 约快 30 倍。摘要未提供对应数据集、任务、评价指标、硬件、训练预算或计时口径，因此这一速度比不能脱离原始协议推广。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 通道或脑区表示为节点、连接关系表示为边，该框架可能用于无标签 EEG 图表征预训练，以缓解标注稀缺问题。可复用的候选是交叉相关学习目标；需改造并核对图构建、输入特征及增强策略，避免破坏任务相关信号。该假设依赖具有可比较节点语义的 EEG 图及足够的无标签片段，低信噪比、跨被试连接差异、通道不一致和小数据均可能削弱学习效果。一个可证伪的小实验是在固定通道与统一预处理下，按被试划分预训练及测试数据，在相同编码器和预算下比较该目标与对比式目标，以冻结表征的线性评估和训练耗时检验收益。已有 EEG 相关工作尚未检索确认，上述方案不代表已验证的 BCI 效果。

    阅读价值：值得核对其基于交叉相关的无负样本图自监督机制，以及相对 BGRL 的计算效率主张；摘要尚不足以判断该效率优势的适用条件或 EEG 迁移效果。

  7. OpenReview · State space models73

    面向多场景个性化推荐的场景自适应与自监督模型

    基于摘要分析。该研究面向用户与物品部分重叠、但分布存在差异的多场景个性化推荐，提出 Scenario-Adaptive and Self-Supervised（SASS）模型，旨在细粒度控制场景间信息迁移、利用更广泛的样本，并区分物品在不同场景下的表示。 核心机制是 Multi-Layer Scenario Adaptive Transfer（ML-SAT）模块：通过场景自适应门控单元，从全场景信息中选择并融合适合单个场景的迁移信息。训练分为预训练与微调两个阶段，预训练采用场景监督的对比学习任务，样本来自有标签和无标签数据空间；摘要未说明具体标签定义、正负样本构造及损失形式。模型在用户侧与物品侧采用对称设计，以获得场景相关的差异化表示。 作者报告，SASS 在公开与工业推荐数据集上优于所比较的方法，并在在线 A/B 测试中使 Average Watching Time Per User 提升超过 8.0%。摘要未提供数据集名称、离线指标、具体对照基线，以及在线测试规模、周期和统计不确定性，因此该收益仅能按所述推荐场景理解；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移假设是，场景自适应门控能够为 EEG 跨被试或跨会话建模选择共享信息、抑制不适用的迁移。但原方法依赖推荐中的用户—物品交互结构、场景标识及跨场景重叠，不能直接套用到 EEG。可考虑复用门控迁移与分阶段训练思想，需重设 EEG 编码器、场景定义和对比样本关系；低信噪比、通道差异与小样本可能使门控学习到被试身份而非任务信息。一个可证伪的小实验是在固定编码器和训练数据的跨会话协议下，对比无门控共享模型与场景门控模型，并保持目标会话标签使用规则一致，检验是否获得稳定收益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 SASS 如何通过场景自适应门控与场景监督对比预训练控制跨场景信息迁移，但其推荐系统收益不能直接视为 EEG 跨域建模的有效性证据。

  8. OpenReview · Representation learning74

    面向 CAD 的自监督表示学习

    基于摘要分析。该研究针对计算机辅助设计（CAD）原生参数化边界表示（B-Rep）中大规模数据缺少标签、已标注数据规模较小且任务专用标签获取昂贵的问题，提出利用未标注 CAD 几何进行自监督表示学习，再服务于监督学习任务。核心贡献是学习一种混合隐式/显式表面表示，研究对象是机械零件的 CAD 几何，而非神经信号或 BCI。 技术机制：摘要明确了 B-Rep 几何、混合隐式/显式表面表示以及预训练到监督任务的路径，但未说明两类表示如何结合、自监督目标、网络结构或下游适配方式。这些细节及其对几何数据结构的依赖尚未验证。 结果与证据边界：作者报告，该预训练显著改善少样本学习表现，并在多个现有 B-Rep 基准上达到最先进水平。摘要未提供基准名称、样本量、数据划分、对照方法、指标或具体数值，因此无法核对提升幅度及可比性；实验协议、消融及统计信息尚未验证。复现需取得全文并确认数据预处理、预训练目标、少样本设定及实现条件。 与 EEG/BCI 的关系：平台推测（待验证），其利用未标注数据缓解标签稀缺的思路与 EEG 小样本学习存在问题层面的对应，但摘要没有给出从 CAD 表面表示到 EEG 时序或通道结构的具体机制路径。现阶段不宜将该表示直接视为可复用的 EEG 模块，也不足以提出针对性迁移实验；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其利用未标注 B-Rep 几何学习混合隐式/显式表面表示、改善少样本监督学习的机制，但具体预训练目标与基准协议尚未验证，不能据此认定其适用于 EEG。

  9. OpenReview · Representation learning71

    ExAgt：用于交通场景表征学习的专家引导增强

    基于摘要分析。该研究面向交通场景的自监督表征学习，提出 ExAgt，将专家知识引入自动数据增强，以改善跨视图预测所学习的表征，而不依赖人工标注。其主要研究对象是交通场景，并非 EEG 或 BCI。 方法背景是将同一输入增强为两个失真视图，由编码器学习对这些变化保持不变的表征。ExAgt 根据道路基础设施、自车（EGO）与交通参与者之间的交互，以及理想传感器模型，自动生成专家引导的增强。其方法贡献在于利用领域知识约束增强，而非仅使用标准增强；具体增强操作、语义保持条件、训练目标和编码器结构尚未验证。 作者报告，将 ExAgt 应用于两种跨视图预测方法，并通过分类与聚类下游任务评估时，相比仅使用标准增强，表征学习效果有所改善，表征空间也更加稳定。摘要未提供所用方法名称、数据集、划分协议、指标数值或稳定性的定义，因而尚不能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。摘要提供了代码仓库，但其内容和复现条件尚未核验。 平台推测（待验证）：可供 EEG 研究借鉴的机制是以领域约束筛选增强，而不是直接复用交通增强。对应假设是：针对 EEG 中增强可能破坏任务相关信息的问题，依据采集条件与任务先验约束视图生成，或可改善自监督表征。可复用的是专家引导的视图构造思路，需改造的是信号增强操作及语义保持判据，不能照搬交通基础设施、交互与传感器假设。低信噪比、跨被试差异、通道配置变化及小数据条件均可能使这些约束失效。可检验的小实验是在固定编码器、训练预算与跨被试划分下，对照标准增强和领域约束增强，评估同一下游任务表现与表征稳定性。该假设并非本文已验证结果，相关 EEG 工作尚未检索确认。

    阅读价值：值得核对的是如何将场景专家知识转化为自动数据增强，以及其相对标准增强对下游表征质量和稳定性的贡献；摘要中的交通场景结果不能直接作为 EEG/BCI 有效性的证据。

  10. OpenReview · Representation learning73

    面向组织病理全切片图像分析的病灶感知对比表征学习

    基于摘要分析。该研究针对组织病理全切片图像（WSI）局部表征学习中人工标注成本高、实例级对比学习容易发生类别碰撞的问题，提出 Lesion-Aware Contrastive Learning（LACL），通过病灶队列选择负样本，并以队列精炼策略净化所存表征。 核心机制：常规实例级对比学习将每个样本视为独立类别，可能把语义同类样本作为负样本。LACL 基于 memory bank 构建病灶队列，存储不同 WSI 类别的表征，使模型在训练中选择性地定义负样本对；队列精炼进一步处理队列中的表征。摘要未说明类别信息来自人工标签、伪标签还是其他机制，也未给出精炼准则、损失形式和队列更新方式，这些是理解其监督依赖与复现条件的关键。 结果与证据边界：作者报告，LACL 在多个数据集的组织病理图像表征学习及不同 WSI 分类基准上优于所比较的方法。摘要未提供数据集名称、划分、指标、具体数值或对照配置，不能据此量化优势。实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但实现及运行条件尚未核验。 平台推测（待验证）：可迁移的机制是利用队列筛选减少语义同类样本被错误排斥，而非将病灶定义直接用于 EEG。假设 EEG 对比学习同样受到类别碰撞影响，可复用 memory bank 与队列筛选思路，但需改造信号编码器、增强方式和队列类别依据。低信噪比、小数据及跨被试、跨通道差异可能使队列表征偏向被试身份，或使错误类别归属持续累积。一个可证伪的小实验是在固定数据划分、编码器、增强和监督预算下，比较普通实例级对比学习、队列筛选及加入精炼的版本，检查下游任务指标与同类负样本比例是否同步改善。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对的是 LACL 如何通过病灶队列及队列精炼减少组织病理图像对比学习中的类别碰撞，尤其是队列类别信息的来源与负样本筛选规则；其 EEG/BCI 适用性尚未验证。

  11. OpenReview · Representation learning78

    结合语义分组的自监督视觉表示学习

    基于摘要分析。本文研究如何从无标注、以场景为中心的图像中学习视觉表示，提出 SlotCon，将数据驱动的语义分组与对比学习联合优化，以获得对象／组级表示。原论文的研究对象是视觉图像，不是 EEG 或 BCI。 机制上，SlotCon 将像素分配给一组可学习原型，再通过对特征的注意力池化形成随样本变化的语义槽（semantic slots）；基于这些槽构建对比学习目标，提升特征的可区分性，并反过来促进语义一致的像素聚合。相较于依赖手工设计的对象性先验或专门代理任务的方案，其主要思路是让语义分组与表示学习相互促进。具体损失形式、视图构造和训练配置尚未验证。 作者报告，该方法能够将复杂场景分解为语义组，并改善目标检测、实例分割和语义分割等下游任务。摘要未提供数据集、划分、对照基线及具体指标，不能据此判断增益幅度或跨协议优势。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但实现完整性及复现条件尚未核对。 平台推测（待验证）：若 EEG 的时频片段或通道特征存在可重复的潜在分组结构，可假设借鉴“可学习原型—样本自适应槽—对比学习”的机制，探索无标注 EEG 表示学习。可复用的是原型分配与槽级目标；需改造的是图像像素特征接口、时空结构编码和正样本构造。视觉语义分组的有效性不等于 EEG 生理成分可被同样分离，低信噪比、通道变化、被试差异和小数据可能使槽捕获伪迹或个体身份。一个可检验的小实验是在固定的跨被试划分下，对同一 EEG 编码器比较加入与不加入槽分组的对比学习，保持训练数据和增强一致，检查下游表现及槽稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注的是 SlotCon 将数据驱动的语义分组与槽级对比学习耦合，为无标注复杂场景的对象／组级表示学习提供了具体机制，但其向 EEG 迁移的有效性尚未验证。

  12. OpenReview · Representation learning74

    混合式对比学习：时间序列的自监督表征学习

    基于摘要分析。本文研究时间序列标注不足条件下的表征学习，提出受标签平滑启发的无监督对比学习框架，以两个样本的混合构造训练数据，并将混合系数作为软目标，为时间序列表征及迁移学习提供训练信号。主要研究对象是通用时间序列与临床时间序列，而非已明确验证的 EEG 或 BCI 任务。 核心机制是把样本混合增强与对比学习目标结合：新样本由两个数据样本及混合系数生成，模型的任务是预测该混合系数，并在损失函数中使用相应软目标。摘要未给出混合操作的具体形式、对比损失公式、编码器结构及训练和推理流程，这些细节尚未验证。 作者报告，该框架在单变量和多变量时间序列实验中优于其他表征学习方法，并展示了临床时间序列迁移学习的收益。摘要未提供数据集名称、样本规模、划分方式、基线名称或指标数值，因此无法判断优势的幅度及适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 样本具有可对齐的时间轴和通道结构，混合系数软监督可能为低标注条件下的预训练提供可复用机制。但这一假设依赖样本混合仍保留可学习的信号结构；跨被试幅值差异、通道不一致及低信噪比可能使模型主要利用混合伪迹而非任务相关特征。可复用部分是混合增强与软目标训练思路，需改造部分包括 EEG 预处理、通道对齐和编码器。一个可检验的小实验是在固定跨被试划分与相同标注预算下，对比该目标和常规对比学习预训练，并检查混合强度变化对下游表现的影响。已有 EEG 相关工作尚未检索确认，以上不属于论文已验证结果。复现前需取得全文，核对损失定义、混合采样方式、数据划分与实现可用性。

    阅读价值：值得核对其以混合系数作为软目标的对比学习机制及迁移评估协议，但摘要所述通用与临床时间序列结果尚不能证明其对 EEG 表征学习有效。

  13. OpenReview · State space models73

    商空间中的流形建模：学习具有图像块可解码性的不变映射

    基于摘要分析。该研究以图像块的流形学习与图像重建为对象，提出 manifold modeling in quotient space（MMQS）：不直接对原始局部图像块集合建模，而是先通过等价关系获得代表各等价类的规范图像块，再学习其流形表示。 核心机制是让规范图像块代表等价类，并通过这些图像块的自编码器在商空间中构建流形。作者具体引入旋转与翻转等价关系，形成一种基于流形的图像模型；随后将图像重建表述为把该模型拟合到受损观测图像的问题，并推导求解算法。摘要未说明规范化规则、自编码器结构、损失形式，以及解码时如何处理原图像块的旋转或翻转信息，这些是核对“不变映射”与“可解码性”如何兼容的关键事项。 作者报告，该模型在图像修补、去模糊、超分辨率和去噪等自监督图像重建任务中有效。摘要未提供数据集、数据划分、对照方法、量化指标或具体数值，无法据此判断收益大小或不同任务间的稳定性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的机制假设是，若 EEG 的某类变化确实不影响目标任务，可先按该变化定义等价类，再对规范化信号块建模，以减少无关变化带来的表示差异。但图像旋转、翻转不能直接视为 EEG 的有效对称性，通道位置、极性、时序与频谱变化可能携带任务信息。可复用的是“等价类—规范化—自编码器重建”的框架，需改造的是信号块表示、等价关系和解码约束；低信噪比、跨被试差异、通道变化及小数据可能使规范化不稳定或丢失有效信息。一个可证伪的小实验是在固定被试内划分下，仅对预先确认保持标签的变换比较普通自编码器与规范化版本，同时检查重建质量及下游任务性能。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 MMQS 将等价类规范化与自编码器流形建模结合，并用于受损图像重建，可核对其如何兼顾变换不变性与可解码性；对 EEG 的适用性尚未验证。

5月7日周五
  1. OpenReview · State space models75

    以最少人工标注学习将二维超声图像映射到三维空间

    基于摘要分析。该研究面向胎儿神经超声中二维脑部扫描切面在三维图谱空间内的定位问题，提出卷积神经网络，通过从三维胎儿脑体数据中采样二维切片、学习预测该采样过程的逆过程，减少对逐张二维图像人工标注的依赖；作者将这一训练思路描述为类似自监督学习。 模型以一组图像作为输入，学习图像之间的成对比较，并由注意力模块根据各比较对最终预测的贡献进行加权，权重在训练中隐式学习。每张图像的特征因此融合其与集合内其他图像的相对位置信息，再用于最终空间位置预测。摘要未说明具体位置参数化、损失函数及网络配置。 评估使用孕周为18–22周的胎儿脑三维体数据所采样的二维切片，以欧氏距离、平面角度和归一化互相关衡量几何与外观差异。作者报告，随着输入图像数量增加，模型在上述三项指标上均优于基线，改善幅度最高达23%；摘要未提供各指标对应数值、基线细节或该相对改善的具体计算口径。作者还报告，模型可泛化至真实二维标准经丘脑平面图像，表现与人工标注相当，并展示了对二维徒手胎儿脑超声视频序列的泛化。 该工作的核心是医学图像空间定位，而非 BCI 解码或 EEG 建模。其训练依赖可采样的三维体数据及相应空间关系，不能直接视为神经信号任务中的可复用监督来源；现有材料不足以建立具体的 EEG 迁移路径。被试数量、数据划分、人工标注比较协议、实验协议、消融及统计信息尚未验证；代码与复现条件也需查阅全文确认。

    阅读价值：值得关注其利用三维体数据切片构造训练目标、并通过集合内成对比较辅助二维切面定位的机制，但摘要中的泛化结果不足以证明其适用于 EEG 或 BCI。

1月1日周五
  1. OpenReview · Representation learning76

    面向 3D 点云的时空自监督表征学习

    基于摘要分析。本文针对 3D 场景理解缺乏实用且可泛化预训练模型的问题，提出时空表征学习框架 STRL，从无标签 3D 点云序列中学习表征；其主要研究对象是 3D 点云，而非 EEG 或 BCI。 核心机制是选取点云序列中两个时间相关的帧，施加空间数据增强，并以自监督方式学习不变表征。该方法利用时间相关性和空间变换构建学习信号，旨在应对视角、光照、遮挡等因素带来的变化。摘要未说明具体损失函数、编码器结构、帧采样间隔或增强操作，相关实现条件尚未验证。 作者报告，在合成、室内和室外三类数据集上开展实验，学习到的自监督表征使多种模型在 3D shape classification、3D object detection 和 3D semantic segmentation 下游任务中达到与监督学习方法相当或更好的表现，并支持预训练模型向下游任务泛化。作者报告，点云中的时空上下文线索能够改善表征，但摘要未提供数据集名称、评估划分、对照基线及具体指标；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 中相邻时间窗具有稳定的任务相关状态，可尝试复用“时间相关样本配对与增强不变性学习”的原则；点云输入表示和空间增强需改造成适合 EEG 通道拓扑及生理约束的形式。该假设可能因低信噪比、相邻窗口状态切换、跨被试差异或通道配置变化而失效，小数据也可能限制预训练收益。一个可检验的小实验是在固定编码器、训练数据量及跨被试划分的条件下，对比时间邻近配对与随机时间配对的自监督预训练，并采用相同下游评估协议，检验时间相关性是否带来增益。已有 EEG 相关工作尚未检索确认，原文结果不构成 BCI 有效性的证据。

    阅读价值：值得关注其利用时间相关帧与空间增强进行自监督预训练的机制，但摘要仅提供定性结果，具体收益及向 EEG 迁移的可行性尚未验证。

  2. OpenReview · EEG76

    用于自动睡眠分期的自监督 EEG 表征学习

    基于摘要分析。本文研究如何利用大量无标签 EEG 学习可用于自动睡眠分期的向量表征，提出自监督模型 Contrast with the World Representation（ContraWR），目标是在减少标注依赖的同时获得具有预测能力且对噪声稳健的特征。原论文的主要研究对象是睡眠分期，而非 BCI 控制任务。 机制上，ContraWR 利用数据集的全局统计信息，帮助区分与不同睡眠阶段相关的信号。摘要未展开全局统计的计算与更新方式、对比目标、数据增强、编码器及下游训练流程，因此不能据此确定具体损失形式或网络结构。作者希望学习到的向量特征能够替代原始信号用于睡眠分期，并在少标签和噪声场景下优于监督学习。 作者报告，在涵盖居家与实验室记录场景的三个真实 EEG 数据集上，ContraWR 的睡眠分期表现优于四种近期自监督方法；在训练标注不足 2% 的示例条件下，相对监督学习取得原文所述“4% accuracy improvement”。摘要未明确该增益是相对百分比还是百分点，也未给出对应数据集、基线分数及划分方式，故不能进一步换算或跨协议比较。作者还报告二维投影呈现有信息的特征结构，并认为模型具有噪声鲁棒性，但可视化本身不能替代定量验证。 复现时需核对数据集名称、被试与记录划分、标注比例的抽样单位、预训练数据范围、全局统计是否仅由协议允许的数据计算，以及噪声类型、强度和评价指标。实验协议、消融及统计信息尚未验证。作者提出可扩展到其他无监督生理信号学习任务，但摘要未提供其他任务的验证结果。

    阅读价值：值得阅读的具体原因是 ContraWR 利用数据集全局统计学习无标签 EEG 表征，并报告了少标签睡眠分期收益；其统计构建方式、评估划分及噪声鲁棒性证据仍需全文核对。

  3. OpenReview · State space models77

    CLOCS：跨空间、时间与患者的心脏信号对比学习

    基于摘要分析。该研究面向大量未标注的心脏生理信号，提出自监督对比学习方法族 CLOCS，通过鼓励跨空间、时间与患者的表示相似，学习可用于下游任务的表征。研究对象是心脏信号，而非 EEG 或 BCI。 核心机制是利用生理数据中的空间、时间及患者关系组织对比学习。摘要未说明这些关系如何形成正负样本，也未披露空间维度的具体定义、编码器结构、损失形式或采样策略，因此不能据此还原实现。作者还指出，训练过程自然产生患者特异性表示，可用于量化患者相似性；该相似性如何计算及验证尚未确认。 作者报告，在下游任务的线性评估与微调中，CLOCS 持续优于 BYOL 和 SimCLR；作者还报告，仅使用 25% 的有标签训练数据时仍具有较强泛化表现。摘要未给出具体任务、数据集、指标、数值，以及被试内、跨被试或跨数据集划分，因而这些结论只能保留在摘要所述评估背景下，不能量化优势或推定跨患者泛化。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 数据具有可追踪的通道、时间片段与被试标识，这种关系驱动的对比学习可能有助于缓解标签稀缺。可复用的是关系采样与自监督预训练思路；需改造的是 EEG 通道对应、时间片段配对，以及跨被试正样本的语义约束。低信噪比、跨被试差异和通道不一致可能使相似性约束抹去任务相关差异，小数据也可能导致表示主要编码被试身份而非任务信息。 一个可检验的小实验是假设在固定 EEG 数据划分、编码器与标签预算下，比较仅时间关系与加入通道或被试关系的预训练，再以线性评估和微调检查任务性能；测试被试不得参与预训练，并需核对关系配对是否依赖标签。该实验仅是迁移假设，不代表 CLOCS 已有 EEG 效果；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是 CLOCS 如何利用心脏信号的空间、时间与患者关系构建自监督表示，以及患者特异性表示的用途；其对 EEG 的适用性尚未验证。

  4. OpenReview · Representation learning72

    Graph Barlow Twins：面向图的自监督表征学习框架

    基于摘要分析。本文研究图自监督表征学习中负样本难以定义的问题，提出 Graph Barlow Twins，以基于交叉相关的损失函数替代需要负样本的对比学习目标，旨在降低对昂贵标签的依赖。 机制与对照：该方法面向图数据学习表征，摘要强调其不依赖非对称神经网络架构，并以 BGRL 作为相关对照。交叉相关损失的具体形式、图视图构造、编码器、训练流程及推理方式尚未验证，不能仅凭方法名称补全实现细节。 作者报告，在摘要未列明的数据集、划分与任务评估协议下，该方法取得了与领先自监督方法及全监督方法相当的结果，同时所需超参数更少、计算时间更短；作者称相较 BGRL 约快 30 倍。该效率数字对应的硬件、计算口径、训练设置与性能匹配条件尚未验证，不宜直接外推。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 被表示为通道或脑区之间的图，可检验以交叉相关目标开展无标签图表征预训练的假设，针对的是标签有限、负样本语义难以定义的问题，而非已获证实的 BCI 性能提升。可复用的部分是损失思路；图构建、信号编码与视图增强需要针对 EEG 改造。低信噪比、通道配置差异、跨被试分布偏移及小样本下相关性估计不稳定，均可能削弱效果。一个小规模检验是在固定数据划分、图构建和编码器的条件下，对比该目标与 BGRL 的表征性能及训练耗时，避免将架构差异混入损失比较。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其以交叉相关损失替代负样本、且不依赖非对称网络架构的图自监督机制；作者报告的性能与计算效率优势仍需结合完整评估协议验证。

  5. OpenReview · Representation learning73

    使用 Deep Hebbian Predictive Coding 进行地点识别的多模态表征学习

    基于摘要分析。本文研究机器人地点识别中的多模态融合问题，以基于视觉皮层预测编码模型的自监督表征学习，融合仿生机器人探索环境时采集的视觉与触觉线索，旨在缓解模态间配准、维度、时序不匹配及传感器失效带来的困难。 方法采用局部学习规则训练深度预测编码网络，并利用网络生成的联合潜在表征进行地点识别。研究场景包含视觉上相似、易混淆的地点。摘要未给出预测误差的具体计算方式、Hebbian 更新公式、融合结构或模态时间对齐方案，不能据此判断这些设计如何分别处理上述不匹配问题。 作者报告，在所述机器人视觉—触觉地点识别实验中，联合潜在表征的表现显著优于所比较的当代表征学习技术，并观察到单模态传感器失效时鲁棒性改善的证据。摘要未列出基线名称、评价指标、具体数值、数据划分或显著性检验细节，结果的适用范围尚需全文核对。作者还称算法可线性扩展至两种以上模态；具体扩展代价及实验验证范围尚未验证。 平台推测（待验证）：可迁移的机制假设是，预测编码式联合潜在表征可能有助于 EEG 与其他传感模态融合时抵抗输入缺失，而非直接复用机器人地点识别结论。原方法依赖视觉—触觉共同探索数据及自监督学习信号，数据规模尚未验证。迁移时可考察联合表征与局部学习机制，但需改造 EEG 编码、时间对齐及缺失输入处理；低信噪比、跨被试分布变化、通道差异和小数据均可能使联合表征失效。一个可证伪的小实验是在固定被试内划分的配对 EEG—辅助传感数据上，对比该机制与简单特征融合，在预设单模态缺失条件下检验性能下降幅度。已有 EEG 相关工作尚未检索确认。实验协议、消融及统计信息尚未验证。

    阅读价值：值得关注其以局部学习规则构建视觉—触觉联合表征、应对单模态传感器失效的机制，但性能优势与向 EEG 多模态场景迁移的有效性仍需核验。

  6. OpenReview · EEG76

    用于自动睡眠分期的自监督 EEG 表征学习

    基于摘要分析。本研究针对自动睡眠分期依赖精细 EEG 标注、海量无标注信号难以有效利用的问题，提出自监督表征学习方法 Contrast with the World Representation（ContraWR），目标是将原始 EEG 转换为可用于睡眠分期的向量特征，并改善少标签及噪声条件下的预测表现。 核心机制：摘要说明 ContraWR 利用数据集的全局统计来区分与不同睡眠阶段相关的信号，但未提供全局统计的计算方式、对比目标、损失函数、信号分段、数据增强或模型结构。这些细节尚未验证，也不能据此判断训练过程中如何使用睡眠阶段标签。 评估与结果：作者在三个真实 EEG 数据集上进行评估，覆盖居家与实验室记录场景，并报告 ContraWR 在睡眠分期任务中优于四种近期自监督方法。作者还报告，在标注数据占比低于 2% 的条件下，相较监督学习获得“4% accuracy improvement”；摘要未明确该数值是相对提升还是提高 4 个百分点，具体数据集、划分及监督基线也尚未验证。作者展示了二维投影中的表征结构，并认为方法具有噪声鲁棒性；投影结构本身不能替代下游预测或鲁棒性评估。 证据边界与复现条件：数据集名称、通道配置、被试数量、Within-subject 或 Cross-subject 协议、标注子集抽样方法、噪声类型及强度、消融与统计信息尚未验证。复现应优先核对全局统计的估计范围、预训练与下游评估的数据划分，以及自监督和监督基线是否采用一致的标注预算。 研究主要对象是 EEG 睡眠分期，并非 BCI 控制任务。作者提出向其他无监督生理信号学习任务推广，并将任务特定数据增强及自监督与监督方法结合列为未来方向；摘要未提供其他任务上的验证结果。

    阅读价值：值得阅读的是 ContraWR 利用数据集全局统计学习无标注 EEG 表征的机制，以及作者报告的少标签睡眠分期优势；具体对比协议与噪声鲁棒性证据尚需全文核对。