跳到正文

算法、任务与模态

Tokenization 最新动态

Tokenization 研究索引；按可核对的标签归档，不以热度评价质量。

222 条精选近 30 天 40 条共收录 253 条

更新

精选归档 · 第 12 页

1月1日周五第 221–222 条
  1. OpenReview · EEG71

    一种用于癫痫发作预测的新型神经形态计算方法

    基于摘要分析。该研究针对 CNN 癫痫发作预测方法计算开销与功耗较高、难以部署于可穿戴设备的问题，提出将 EEG 样本编码为脉冲序列，再使用 Spiking-CNN 进行预测的神经形态计算方法。 核心机制是通过作者设计的 gaussian random discrete encoder（高斯随机离散编码器）将 EEG 样本转换为脉冲序列，再交由结合 CNN 与脉冲神经网络（SNN）特点的 Spiking-CNN 处理。摘要未提供编码规则、网络结构、神经元动力学、训练方法及推理时间窗，这些实现细节尚未验证。 作者报告，在摘要所述癫痫发作预测实验中，灵敏度为 95.1%、特异度为 99.2%、AUC 为 0.912，计算复杂度相较 CNN 降低 98.58%。但摘要未说明数据集、被试数量、被试内或跨被试划分、预测提前量、对照 CNN 配置，以及计算复杂度的计量方式，因此这些结果只能在该文尚待核对的实验协议下理解，不能直接与其他研究比较。 该工作的主要对象是 EEG 癫痫发作预测，而非通用 BCI 解码。作者据此认为方法具有硬件友好性与较高预测精度；计算复杂度降低并不直接等同于设备实测能耗降低。复现时需核对编码器参数、训练与推理流程、数据划分、发作前状态定义及硬件测量条件；实验协议、消融及统计信息尚未验证。

    阅读价值：值得阅读的具体原因是作者将 EEG 脉冲编码与 Spiking-CNN 用于癫痫发作预测，并报告相对 CNN 的计算复杂度下降，但其可穿戴部署价值仍需核对计算口径与实测功耗。

  2. OpenReview · Representation learning72

    面向手写数学表达式识别的基于关系的表示

    基于摘要分析。本文研究离线手写数学表达式（HME）识别，提出按符号间关系构建序列表示，以缓解将二维表达式转换为一维 LaTeX 序列时序列较长、二维结构难以提取的问题。核心贡献是目标表示方式，而非摘要中已明确的新网络架构。 机制与对照：作者采用符号关系组织 HME 表示，并在使用弱监督学习的离线端到端识别系统中评估，与 LaTeX 序列表示进行比较。摘要称新表示能够缩短序列，但未提供关系类型、编码规则、序列长度变化、训练损失或解码细节，这些尚待全文核对。 结果：作者报告，在 CROHME 2014、2016、2019 数据集上的识别率分别为 53.35%、52.14% 和 53.13%，相对 LaTeX 表示系统均提高超过 2 个百分点。上述结果属于离线 HME 识别评估；具体训练与测试划分、识别率判定口径、基线配置、消融及统计信息尚未验证，不能将这些数值直接用于其他任务或协议的比较。 复现重点是取得关系表示的完整定义，并核对两种表示是否使用一致的数据、模型与训练条件，以区分表示压缩、结构信息与其他配置的贡献。该研究主要对象是数学表达式图像，材料未提供其与 EEG 信号结构的具体对应关系，因此不据此提出 BCI 迁移实验；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其符号关系编码如何缩短输出序列，以及相对 LaTeX 表示的识别率提升是否来自表示本身；摘要提供了同任务对照，但尚不能据此判断对 EEG/BCI 的适用性。