跳到正文

算法、任务与模态

Forecasting 最新动态

Forecasting 研究索引；按可核对的标签归档，不以热度评价质量。

264 条精选近 30 天 79 条共收录 334 条

更新

精选归档 · 第 14 页

1月1日周二第 261–264 条
  1. OpenReview · State space models79

    状态的指数族预测表示

    基于摘要分析。该学位论文研究部分可观测动力系统中如何选择并维护状态表示，提出以短期未来观测的统计量表示状态，而非将状态视为不可观测的潜变量，并重点考察以未来观测窗口的指数族分布参数定义状态的模型及学习算法。 核心机制是将历史压缩为对短期未来的预测，再利用这一预测性状态支持更长时间范围的预测。摘要指出，模型参数均以可观测量定义，由此构建相应的学习方法；论文还在这一框架下统一若干已有模型，并推导、分析新的模型。其主要研究对象是一般的智能体—环境交互与时序预测，覆盖部分可观测、连续观测、结构化观测、高维观测及连续动作等情形，并非 EEG 或 BCI 研究。 作者报告，在标准 POMDPs 和基准非线性时间序列问题上，模型表现与当时先进模型相当；在交通预测及类似配备摄像头的自主移动机器人等领域，也能处理比其他预测性状态模型更大规模的问题。摘要未提供具体数据集、划分、指标、数值或对照模型名称，这些结论的实验协议、消融及统计信息尚未验证；状态更新形式、指数族选择与实现条件也需查阅全文。 平台推测（待验证）：一个可检验的假设是，预测性状态可作为 EEG 历史信息的压缩表示，辅助处理部分可观测的动态过程。可借鉴未来窗口统计量的状态定义，但需要改造观测分布、窗口及状态更新机制；连续 EEG 的低信噪比、跨被试差异和通道变化可能使未来统计量难以稳定估计，小数据也可能限制学习。小规模验证可在固定通道与被试内时间顺序划分下，比较此类表示与线性状态空间基线的未来 EEG 预测误差，核对预测窗口不跨越划分边界，再评估是否值得扩展到解码任务。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是以可观测未来的指数族分布参数定义状态的建模思路，可用于审视部分可观测时序系统的状态表示与更新；其对 EEG 的适用性尚未验证。

12月31日周日
  1. OpenReview · EEG72

    基于丙泊酚麻醉诱导期间 EEG 频率演变预测对言语指令无反应

    基于摘要分析。本研究考察丙泊酚麻醉诱导期间 EEG 频谱特征与表征药物镇静效应的 r 标度之间的关联，并利用预测的 r 值预报患者对言语指令无反应（LVC）的时间。主要贡献是将频带幅度包络与多项式回归结合，探索由人群模型预测个体镇静进程的可行性；研究对象是麻醉状态监测，而非主动 BCI 控制。 方法与数据：研究纳入接受丙泊酚麻醉诱导的 16 名患者。EEG 被滤波为连续的 4 Hz 通带，频率范围上限为 28 Hz；各频带时间序列的幅度包络作为输入特征，用于一阶和二阶多项式多元线性回归。摘要未说明 r 标度的具体定义、时间对齐方式、特征窗口或两类模型的选择流程。 结果：作者报告，在 r∈[0.4,1] 的预测范围内，交叉验证得到 R²=0.775，但摘要未明确交叉验证属于被试内还是跨被试划分。作者报告，LVC 时间预测的中位误差为 5%–7%，对应 10–13 秒；以训练人群实测 LVC 时间的中位数作为预测值时，对应误差为 12% 或 26 秒。百分比误差的归一化定义，以及上述结果分别对应何种模型或评估条件，尚未验证。 证据边界与复现条件：作者认为，在所研究范围内，r 标度与 EEG 频谱具有可接受的关联，人群模型可用于预测个体 r 值，并可能为给药调控提供新途径。这不等于已验证闭环给药的安全性或有效性。复现需核对电极配置、采样与预处理、丙泊酚给药流程、LVC 测定方式、r 标度计算、训练与测试划分，以及预测时刻实际可获得的信息。全文未取得，实验协议、消融及统计信息尚未验证。

    阅读价值：该研究以 EEG 频带幅度包络预测丙泊酚诱导期间的镇静程度与言语指令无反应时间，并提供训练人群时间中位数作为对照，值得核对其交叉验证划分及预测时点，但摘要不足以确认临床给药指导价值。

1月1日周二
  1. OpenReview · State space models74

    用于高速公路行程时间预测的状态空间神经网络

    基于摘要分析。本文研究高速公路行程时间预测中可观测交通量之间复杂的非线性时空关系，基于该问题的状态空间表述推导递归状态空间神经网络（SSNN）。其主要贡献是以内部状态建模交通动态，并通过分析状态与权重配置构建 Reduced SSNN，在缩减参数的同时保持预测性能。 机制与结果：SSNN 面向实际经历的行程时间预测，而非 EEG 或 BCI 任务。作者报告，模型明显优于当时的实践方法，预测残差近似服从零均值正态分布，通常处于真实预期行程时间的 10% 范围内；摘要未明确对应基线、数据划分及误差计算细节，不能将这一表述改写为 Accuracy 或固定误差上限。作者还报告，内部状态与权重分析显示模型形成了与底层交通过程密切相关的内部表征，据此剔除不显著参数；Reduced SSNN 保留 63 个可调权重，模型规模减少 72%，且预测性能未下降。上述结果均限于摘要所述交通预测评估，实验协议、消融及统计信息尚未验证。 复现需核对：交通数据来源、输入变量、采样间隔、预测时域、训练与测试划分、状态更新形式、训练目标，以及参数筛减准则。摘要不足以确认该 SSNN 与现代同名状态空间模型的具体结构关系。 平台推测（待验证）：迁移假设是，递归状态表征和基于内部分析的参数缩减可能用于 EEG 时序预测中的动态建模与小模型设计。可借鉴状态更新与缩减思路，但须改造交通输入、预测目标及状态解释方式；原方法依赖哪些时空观测、监督信号和训练规模仍需全文核对。EEG 的低信噪比、跨被试差异、通道变化和小数据可能使状态解释及参数重要性不稳定。一个可检验的小实验是在固定被试内划分下比较完整模型与缩减模型的 EEG 短时预测误差及参数量，检验压缩能否保持泛化性能。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是以状态空间建模组织非线性时空预测，并依据内部状态与权重分析缩减模型的思路；其交通预测效果由作者报告，对 EEG 的适用性尚未验证。

1月1日周四
  1. OpenReview · EEG72

    使用递归自组织映射（SOM）处理时间序列

    基于摘要分析。本文研究自组织映射如何处理连续输入中的时间依赖，考察递归自组织映射（RSOM），并将其用于 EEG 癫痫活动检测和采用局部模型的时间序列预测。主要贡献是通过映射单元内的递归差分向量存储时间上下文，并展示其相对于 temporal Kohonen map（TKM）的时序映射能力。 机制与对照：RSOM 是对 TKM 的修改，每个映射单元包含一个递归差分向量，用于保留连续输入向量的时间上下文。作者报告，在简单合成数据的时间序列映射任务中，RSOM 学到了正确映射，而 TKM 未能学到该映射。摘要未提供递归更新公式、距离计算、学习规则或合成序列的具体构造，因而不能进一步判断该差异的适用范围。 应用与证据：作者呈现了两个案例研究，分别为基于 EEG 的癫痫活动检测，以及采用局部模型的时间序列预测；作者据此认为 RSOM 可有效用于时间序列处理。摘要未给出这两个案例的定量指标、对照结果或评估协议，不能将合成数据上的对照结论直接视为 EEG 检测性能优势。EEG 癫痫活动检测是本文的实际应用之一，但并不等同于 BCI 解码验证。 复现核对重点：需取得全文确认 EEG 数据来源、被试与记录规模、输入特征和时间窗口、训练与测试划分，以及局部预测模型如何与 RSOM 配合。实验协议、消融及统计信息尚未验证；代码、超参数与计算开销也尚未验证。当前材料支持关注其时间上下文表示机制，不支持宣称其在跨被试、跨会话或具体 BCI 任务中已取得有效结果。

    阅读价值：值得阅读的具体原因是其通过单元内的递归差分向量保留时间上下文，并以合成序列及 EEG 癫痫活动检测案例检验时序映射能力，但应用效果与复现条件仍需核对全文。