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。

66 条精选近 30 天 44 条共收录 75 条

更新

精选归档 · 第 4 页

5月18日周六第 61–66 条
  1. OpenReview · State space models73

    STG-Mamba：通过选择性状态空间模型进行时空图学习

    基于摘要分析。本文面向动态、异质且非平稳的时空图（STG）预测问题，提出 STG-Mamba，将图网络视为随时间演化的系统，以选择性状态空间模型学习潜在时空特征，并结合 Kalman Filtering Graph Neural Networks（KFGN）融合不同时间粒度的图嵌入。 核心机制：作者认为，既有部分 GNN 方法侧重节点间关系，对系统内在特征随时间演化的建模不足。STG-Mamba 使用 Spatial-Temporal Selective State Space Module（ST-S3M）关注选定的 STG 潜在特征；KFGN 则采用基于 Kalman Filtering 统计理论的可学习方法，动态整合并更新多时间粒度嵌入。摘要未披露具体状态更新方程、图构建方式、损失函数及训练设置，不能据此确定其实现细节。作者将该工作称为利用选择性状态空间模型开展 STG 学习的首次探索，该优先性尚未独立核实。 结果与复现：作者报告，在三个 STG 预测基准数据集上，STG-Mamba 的预测表现优于所比较的现有方法，并降低 FLOPs 与测试推理时间。摘要未提供数据集名称、划分协议、指标数值、对照配置或计时条件，性能与效率优势的幅度及适用范围尚未验证；实验协议、消融及统计信息尚未验证。材料提供了实现代码地址，但代码内容与可复现性未核验。 平台推测（待验证）：若将 EEG 通道作为节点、时间窗作为动态图序列，系统状态演化与多时间粒度融合可能对应 EEG 非平稳性及不同时间尺度信息整合的瓶颈。这一假设依赖可靠的图结构和足够的时序训练数据，不能由原领域结果直接推出 BCI 有效性。可考察复用 ST-S3M 与 KFGN，但需改造通道图、输入特征和任务输出；低信噪比、跨被试差异、通道配置变化及小样本可能削弱状态估计和嵌入融合。一个可检验的小实验是在固定 EEG 数据划分与相同输入条件下，比较基础图时序模型、加入 ST-S3M、再加入 KFGN 的任务指标及推理耗时。已有 EEG 相关工作尚未检索确认。

    阅读价值：STG-Mamba 将选择性状态空间建模与基于 Kalman Filtering 的多时间粒度图嵌入融合结合，值得核对其时空预测性能与计算效率的实验依据，但其对 EEG/BCI 的适用性尚未验证。

1月1日周一
  1. OpenReview · State space models71

    TrackSSM：基于状态空间模型的通用运动预测器

    基于摘要分析。TrackSSM 针对多目标跟踪（MOT）中运动模型难以兼顾效率与跨场景有效性的问题，提出基于数据依赖状态空间模型（SSM）的统一编码器—解码器框架，利用历史轨迹预测目标边界框的时间位置，为轨迹关联提供位置信息。 核心模块 Flow-SSM 以历史轨迹的位置及运动信息引导边界框的时间状态转移。运动编码器使用 Mamba-Block 编码历史轨迹，flow decoder 则通过级联的 Flow-SSM 运动解码模块，利用编码后的 flow 信息完成位置预测。训练采用 Step-by-Step Linear（S²L）策略：在目标前一帧与当前帧的位置之间进行线性插值，构造逐步线性训练的伪标签，以引导边界框的时间转移。这里的 flow 是轨迹运动信息，摘要不足以将其等同于图像光流。 作者报告 TrackSSM 适用于多种跟踪场景，并在多个基准上取得良好跟踪表现，但摘要未列出基准名称、数据划分、对照方法、具体指标或计算成本，因此无法核对性能提升幅度及效率收益。摘要声明代码和模型已公开；实现细节、实验协议、消融及统计信息尚未验证，也不能据此推断论文接收或发表状态。 平台推测（待验证）：假设以历史信息调节状态转移的机制能够适应 EEG 的时变动态，可将其作为 EEG 时序预测的候选模块。原方法依赖可定位的目标轨迹及相邻帧位置监督；EEG 没有直接对应的边界框，需要改造输入表示、预测输出和监督目标，而 Mamba 编码器与条件化状态转移思路可能复用。低信噪比、通道差异、跨被试非平稳性及小数据训练都可能使运动建模收益无法迁移；线性插值还可能平滑掉真实的快速变化。一个可证伪的小实验是在固定 EEG 数据划分和相同训练预算下，比较 Mamba 基线与加入历史信息引导状态转移的模型在短时序预测中的误差，再单独核对插值监督是否带来收益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其以历史位置和运动信息引导数据依赖状态转移、并用插值伪标签训练运动解码器的机制；摘要未给出定量结果，其优势及向 EEG 时序建模迁移的可行性尚未验证。

  2. OpenReview · State space models77

    大规模变分 Gaussian 状态空间模型

    基于摘要分析。研究针对概率状态空间模型在大规模动力系统学习中，计算可扩展性与后验灵活性、动力学表达能力之间的权衡，提出用于非线性 Gaussian 状态空间图模型的低秩结构化变分自编码框架。主要研究对象是动态数据的生成建模与预测，并以神经生理记录中的神经元群体脉冲活动及行为相关量预测展示应用，而非直接验证 EEG 或 BCI 解码。 核心机制是结合基于采样的近似 Gaussian 消息传递与低秩摊销后验更新，利用推断过程中自然产生的协方差结构，执行近似变分平滑。框架旨在捕捉对时空结构建模和预测重要的稠密协方差，同时使推断时间复杂度随状态维度线性增长；这一复杂度表述不能扩展为对序列长度或所有计算环节的保证。具体损失、低秩参数化、采样规模及训练流程尚未验证。 作者报告，与其他深度状态空间模型架构相比，该方法能够学习预测能力更强的生成模型；在神经生理记录上，可从单次试验的一小部分记录预测神经元群体脉冲活动与行为相关量。摘要未提供数据集、样本规模、预测时距、划分方式、基线名称或量化指标，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若多通道 EEG 中的共享潜在动力学可由非线性 Gaussian 状态空间模型近似，该框架可能用于研究噪声条件下的潜在状态估计与时序预测。可复用部分是结构化后验与平滑推断；需改造观测模型以适配连续 EEG，并核对其 Gaussian 假设。低信噪比、伪迹、跨被试分布差异及小数据可能削弱动力学辨识，低秩近似也可能遗漏重要协方差。一个可检验的小实验是在固定被试内训练与留出试验划分下，对比结构化后验与对角后验的 EEG 预测误差、预测不确定性及计算开销，控制潜在状态维度与训练预算。已有相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其如何利用低秩后验更新与近似 Gaussian 消息传递，在保留稠密协方差表达能力的同时实现随状态维度线性扩展的变分平滑；预测优势的具体评估协议尚未验证。

  3. 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。

9月23日周六
  1. OpenReview · State space models72

    状态空间模型的变分量化

    基于摘要分析。本文研究大规模异质时间序列的预测问题，提出结合离散状态空间隐马尔可夫模型、神经网络架构及受 vector quantized variational autoencoders 启发的训练方法，以利用外部信号并建模不同序列的动态变化；主要研究对象是通用时间序列预测，而非 EEG 或 BCI。 核心机制是构建给定观测的潜在状态变分离散后验，并通过两阶段训练交替更新潜在状态相关参数与观测分布参数。模型学习一组观测分布，再依据隐藏过程的动态变化在不同时刻激活相应分布，以表达异质时间序列。摘要未提供具体网络结构、量化实现、损失函数或外部信号的接入方式，不能据此认定其采用某种特定 VQ-VAE 实现。 作者报告，在多个数据集的预测评估中，该方法优于其他先进方案；但摘要未列出数据集名称、划分方式、预测跨度、对照方法、指标或数值。实验协议、消融及统计信息尚未验证。摘要将具有统计保证的预测列为研究挑战，但没有给出具体保证及其条件，需查阅全文核对。 平台推测（待验证）：若 EEG 预测任务中的非平稳变化可由有限个离散状态近似，该方法的隐藏状态建模与按状态选择观测分布机制可能具有参考价值。可复用部分是离散后验与交替训练思路；需要改造的是多通道 EEG 的观测分布、外部协变量接口及状态表征。原方法面向大规模异质序列，迁移时须核对其对数据规模与监督信号的依赖；低信噪比、通道差异和跨被试变化可能使状态主要编码噪声或个体身份，小数据也可能不足以稳定估计多组观测分布。一个可检验的小实验是在固定预测跨度、按时间划分的被试内 EEG 预测任务中，对比该方法与单一观测分布模型，检验状态切换是否带来稳定增益，再单独评估跨被试表现，不混合两种协议。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其离散潜在状态与观测分布分阶段训练的结合方式，但预测优势的具体评估协议及向 EEG 时序建模的适用性尚未验证。

1月1日周日
  1. OpenReview · State space models75

    ODE-RSSM：从不规则采样数据中学习随机循环状态空间模型

    基于摘要分析。该研究针对具有非线性和随机性的输入—输出系统，提出连续时间随机循环状态空间模型 ODE-RSSM，以解决多数离散时间 SSM 难以处理不规则采样观测的问题。其主要贡献是用 ODE-Net 描述相邻观测时点之间的潜状态演化，并通过重参数化支持不同时间跨度的 ODE 批量并行求解。 机制上，ODE-RSSM 将连续时间演化引入潜状态建模；批量求解方法受到积分上下限等价线性变换的启发，旨在提高不规则采样序列的训练效率。摘要未说明随机状态的具体分布、观测模型、损失函数及 ODE 求解器配置，这些实现条件尚未验证。 作者报告，在三个输入—输出数据集的开环预测评估中，ODE-RSSM 优于所比较的基线，包括预测时点间隔不均匀、间隔长度分布变化的情形。其中一个数据集为具有较强长期延迟和随机性的私有工业数据集 rollout。摘要未提供具体指标、数值、数据划分或基线名称，实验协议、消融及统计信息尚未验证。材料提供了代码仓库，但代码可运行性及私有数据实验的可复现性尚未验证。 平台推测（待验证）：若 EEG 任务存在采样缺失、异步多模态观测或不规则事件间隔，连续时间潜状态演化和非均匀时间跨度批量求解可能具有方法参考价值；原领域有效不等于 BCI 有效。可复用部分是时间演化与求解机制，需改造观测编码、输入—输出定义和随机状态建模以适配 EEG 通道及任务监督。低信噪比、跨被试差异、通道缺失和小数据可能使潜状态估计不稳定，连续轨迹也可能难以描述短暂事件。一个可检验的小实验是在固定被试内划分下，对同一 EEG 预测任务施加不同程度的时间点删除，比较 ODE-RSSM 与离散时间模型在相同可见观测及预测时点上的误差和运行成本。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是其面向不规则时间间隔的连续时间潜状态建模，以及非均匀时间跨度下批量 ODE 求解的重参数化机制；这些机制对缺失或异步神经信号的适用性尚未验证。