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。

90 条精选近 30 天 46 条共收录 104 条

更新

精选归档 · 第 5 页

1月1日周一第 81–90 条
  1. 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。

  2. OpenReview · State space models72

    未知动态状态空间模型中的无似然推断

    基于摘要分析。本文研究观测似然不可获得、状态转移动态未预先定义且模拟成本较高时，如何进行状态空间模型的无似然推断（Likelihood-free inference，LFI）。核心贡献是估计未知转移动态，并将状态预测用作模拟提议，以在有限模拟次数下支持状态推断。 原问题依赖能够生成合成观测的黑箱模拟器，而非直接计算观测似然。摘要指出，既有相关研究往往假设可事先建立状态转移模型，且模拟预算不受限制；本文针对这些前提不成立的情形。其实现使用 multi-output Gaussian process 进行状态 LFI，并以 Bayesian neural network 作为转移动态的代理模型。具体推断目标、训练方式、模拟提议的构造及预算分配尚未验证，不能据摘要确定其损失形式或网络结构。 作者报告，在非平稳用户模型实验中，该方法提升了状态推断与预测的准确性，并将提升描述为显著。摘要未提供具体指标、数值、对照基线、模拟次数或显著性检验细节，实验协议、消融及统计信息尚未验证；研究对象是非平稳用户模型，而非 EEG 或 BCI。 平台推测（待验证）：若 EEG 潜在状态建模具备可生成观测的可信模拟器，且状态动态随时间变化，该机制可能用于探索有限模拟预算下的状态估计。可复用的是动态代理与预测驱动的模拟提议；需改造的是 EEG 观测生成机制、状态定义及通道映射。低信噪比、跨被试差异和小数据可能使动态估计失准，进而将模拟预算集中到错误状态区域。一个可证伪的小实验是在具有已知潜在状态的合成 EEG 上，固定模拟预算，比较预测驱动提议与非预测驱动提议的状态估计误差，并逐步增加噪声与动态漂移。原领域结果不能直接外推到 BCI；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是其在有限模拟预算下联合估计未知状态转移动态与潜在状态的机制，但摘要中的准确性提升尚需结合实验协议核对，且不构成 EEG/BCI 有效性的证据。

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。

9月22日周五
  1. OpenReview · State space models81

    用于长程时空建模的卷积状态空间模型

    基于摘要分析。本文研究如何同时建模长时空序列中的复杂空间相关性与长程时间依赖，提出卷积状态空间模型 ConvSSM，并构建高效变体 ConvS5；主要研究对象是时空序列预测，而非 EEG 或 BCI。 核心机制是结合 ConvLSTM 的张量状态建模思路与 S4、S5 等状态空间方法的长序列建模能力。作者展示了如何将并行扫描用于卷积递推，以实现次二次复杂度的并行化及快速自回归生成；同时建立 ConvSSM 与 SSM 动力学之间的等价关系，据此设计面向长程依赖的参数化与初始化策略。其方法动机分别对应 ConvLSTM 顺序计算带来的训练瓶颈，以及 Transformer 注意力成本随序列长度二次增长的扩展性限制。具体状态结构、初始化公式及训练目标尚未验证。 作者报告，在长预测时域的 Moving-MNIST 实验中，ConvS5 的任务表现显著优于 Transformers 与 ConvLSTM，训练速度为 ConvLSTM 的 3 倍，样本生成速度为 Transformers 的 400 倍；摘要未提供具体预测指标、序列长度、硬件或计时设置，因此这些倍数不能直接推广至其他协议。作者还报告，在 DMLab、Minecraft 和 Habitat 预测基准上，ConvS5 达到或超过当时先进方法的表现。数据划分、对照实现、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 任务需要同时利用空间结构和长程时间依赖，卷积递推与并行扫描可能成为可测试的计算模块，但原领域结果不等于 BCI 有效性。迁移需要将电极拓扑映射为合适的空间表示，并适配输入、输出与监督目标；低信噪比、跨被试差异、通道布局变化和小样本条件均可能削弱收益。一个小规模可证伪实验是在固定数据划分与训练预算的 EEG 长序列任务上，对比 ConvS5 与 ConvLSTM，分别记录任务指标、训练耗时及显存占用，检验是否存在精度与计算效率的共同收益。已有 EEG 相关工作尚未检索确认，代码与完整复现条件尚未验证。

    阅读价值：值得阅读其卷积递推的并行扫描机制及基于 SSM 动力学的参数化思路，但摘要中的速度优势依赖原实验协议，迁移到 EEG 长序列建模的有效性尚未验证。

1月1日周日
  1. OpenReview · State space models80

    用于长程时空建模的卷积状态空间模型

    基于摘要分析。本文研究长时空序列中复杂空间相关性与长程时间依赖的联合建模，提出卷积状态空间模型 ConvSSM，并形成高效变体 ConvS5；原研究对象是时空序列预测，而非 EEG 或 BCI。 核心机制是结合 ConvLSTM 的张量状态建模与 S4、S5 等状态空间方法的长序列建模思路。作者将并行扫描用于卷积递推，以实现次二次复杂度的并行计算和快速自回归生成，并建立 ConvSSM 动力学与 SSM 的等价关系，据此设计面向长程依赖的参数化及初始化策略。其针对的对照瓶颈分别是 ConvLSTM 的顺序计算，以及 Transformer 注意力成本随序列长度二次增长；具体状态结构、参数化形式和训练目标尚未验证。 作者报告，在长预测跨度的 Moving-MNIST 实验中，ConvS5 的表现显著优于 Transformers 和 ConvLSTM，训练速度为 ConvLSTM 的 3 倍，样本生成速度为 Transformers 的 400 倍；这些倍数仅对应摘要所述实验，序列长度、硬件、批量大小及具体计时口径尚未验证。作者还报告，在 DMLab、Minecraft 和 Habitat 预测基准上，其性能达到或超过所比较的先进方法，但摘要未提供具体指标及数值。实验协议、数据划分、消融及统计信息尚未验证，代码与复现配置亦需核对全文。 平台推测（待验证）：假设 EEG 可被组织为具有合理空间邻接关系的多通道时间序列，卷积空间建模与状态空间长程递推可能对应多通道相关性和长时窗计算成本两个瓶颈。并行扫描及长程初始化思路可能复用，但输入表示、空间卷积和任务输出需适配电极布局与 EEG 监督方式；原任务的数据规模及监督细节尚未验证。低信噪比、跨被试分布差异、通道布局变化及小数据可能使视觉预测中的优势无法迁移。可在固定 EEG 数据划分与训练预算下，用同一空间前端比较 ConvS5 与非卷积 SSM 的长时窗任务性能、训练和推理耗时，检验卷积状态是否带来稳定增益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其将卷积递推转化为可并行扫描的机制及长程依赖参数化策略，但作者报告的预测性能与速度优势仍需结合全文实验协议核对，EEG 迁移价值尚未验证。

  2. OpenReview · State space models79

    用于时间序列生成的深度潜在状态空间模型

    基于摘要分析。本文研究连续时间序列生成：现有基于普通微分方程（ODE）的方法需要显式计算隐状态递推，计算开销较大，并在学习具有剧烈突变的序列时面临数值优化困难。作者提出 LS4，使潜变量按照状态空间 ODE 演化，并利用受 S4 启发的卷积表示绕过隐状态的显式求值，以提高建模能力和计算效率。 核心机制是将连续时间潜变量动力学与可卷积计算的状态空间表示结合，而非仅通过逐步递推生成隐状态。摘要提及变分下界，但潜变量分布、推断模型、损失形式、训练流程及不规则采样的具体处理方式尚未验证，不能据此确定完整实现。 作者报告，在 Monash Forecasting Repository 的真实数据集上，LS4 在边缘分布、分类和预测评分方面优于此前的连续时间生成模型，并能建模具有剧烈时间突变的高随机性数据。作者还报告，在不规则采样数据集上获得更低的均方误差和更紧的变分下界，并在长序列场景中相较其他基线实现约 100 倍速度提升；摘要未提供具体数据集、划分、基线名称、序列长度、硬件和计时口径，这些结果的适用范围需查阅全文核对。作者关于连续时间潜变量生成模型最优水平的表述也尚需完整对照实验支持。 平台推测（待验证）：其卷积式潜在动力学可能为长时程 EEG 生成提供计算上的借鉴，但原研究对象是通用时间序列，并非 EEG 或 BCI。迁移依赖时间序列结构及足够的训练数据；可考察复用潜变量动力学与卷积计算模块，需改造多通道观测表示及采样时间处理。低信噪比可能使模型将伪迹当作突变，被试差异、通道配置变化和小数据也可能削弱泛化。一个可检验的小实验是在固定被试内 EEG 训练／测试划分下，与连续时间生成基线比较生成质量和长序列运行时间，并明确区分生理瞬态与伪迹。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：值得阅读的具体原因是 LS4 将潜变量状态空间 ODE 与卷积表示结合，针对连续时间序列生成中的显式递推开销和突变建模困难提出机制路径；其 EEG 适用性尚未验证。

  3. OpenReview · State space models81

    用于长程时空建模的卷积状态空间模型

    基于摘要分析。本文研究长时空序列中复杂空间相关性与长程时间依赖的联合建模，提出卷积状态空间模型（ConvSSM），并据此构建高效变体 ConvS5；主要研究对象是时空序列预测与生成，而非 EEG 或 BCI。 核心机制是结合 ConvLSTM 的张量状态建模思路与 S4、S5 等状态空间方法的长序列建模能力。作者将并行扫描用于卷积递推，以实现次二次复杂度的并行化与快速自回归生成，并建立 ConvSSM 与 SSM 动力学之间的等价关系，用于指导长程依赖建模的参数化和初始化。摘要未提供具体状态结构、损失、训练流程或复杂度推导细节。 作者报告，在长预测时域的 Moving-MNIST 实验中，ConvS5 的表现显著优于 Transformers 和 ConvLSTM，训练速度为 ConvLSTM 的 3 倍，样本生成速度为 Transformers 的 400 倍；这些倍率仅对应所述实验背景，硬件、序列长度、模型规模及计时口径尚未验证。作者还报告，在 DMLab、Minecraft 和 Habitat 预测基准上，其表现达到或超过当时先进方法；具体指标、数据划分、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 通道间关系能够表示为适合卷积的空间结构，张量状态与长程递推可能用于联合建模通道相关性和长时间上下文。可考虑复用卷积状态递推与并行扫描，但需改造通道空间表示、输入编码及任务输出；不规则电极布局、跨被试差异、低信噪比和小数据可能削弱其优势。一个可检验的小实验是在固定 Cross-subject 划分与训练预算下，对比 ConvS5、ConvLSTM 和 Transformer 在不同 EEG 窗口长度上的同一任务指标、训练耗时及推理耗时，并核对空间卷积是否带来稳定增益。此为迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其卷积递推的并行扫描及与 SSM 动力学的等价关系，这为兼顾空间结构与长程依赖提供了具体方法路径，但摘要中的效率优势及其 EEG 适用性仍需分别验证。

  4. OpenReview · State space models76

    用于第一视角三维手部轨迹预测的不确定性感知状态空间 Transformer

    研究针对第一视角 RGB 视频中的手部轨迹预测，提出从早期观测预测三维空间轨迹的任务，并设计不确定性感知状态空间 Transformer（USST），以回应仅在二维图像空间预测难以满足三维应用需求的问题。基于摘要分析，未取得论文全文。 USST 在经典状态空间模型框架下结合注意力机制与偶然不确定性（aleatoric uncertainty）；摘要还提出利用速度约束和大型视觉 Transformer 上的 visual prompt tuning（VPT）进一步增强模型。状态变量、状态转移与观测关系、不确定性的参数化方式、损失函数及训练与推理流程尚未验证，不能据此将其等同于其他现代序列状态空间架构。 作者开发了用于采集高质量三维手部轨迹的标注流程。作者报告，在 H2O 和 EgoPAT3D 数据集的二维与三维轨迹预测评估中，USST 优于所比较的方法；摘要未提供具体指标、数值、数据划分或对照配置，实验协议、消融及统计信息尚未验证。作者称代码与数据已公开发布，但本次未核验其完整性及复现条件。 平台推测（待验证）：其潜在方法联系在于，将动态状态建模与观测不确定性结合，可能为 EEG 驱动的连续运动轨迹解码提供思路。假设是注意力与不确定性建模能帮助区分运动动态和噪声观测，而非原论文已证明 BCI 效果。原任务依赖视频观测与三维轨迹标注；迁移时需替换视觉编码及 VPT 模块，并处理 EEG 与运动轨迹的时间对齐。低信噪比、跨被试差异、通道变化与小数据可能导致状态估计或不确定性校准失效。一个可检验的小实验是在固定被试内划分的配对 EEG—轨迹数据上，比较相同解码骨干加入或不加入不确定性建模后的轨迹误差与校准表现。已有相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读的是 USST 将注意力机制与偶然不确定性纳入经典状态空间框架来预测三维手部轨迹的思路，但其具体实现、对照效果及 EEG/BCI 迁移价值尚未验证。

  5. 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。

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。