跳到正文

研究类型与证据

预印本 最新动态

预印本 研究索引；按可核对的标签归档，不以热度评价质量。

416 条精选近 30 天 383 条共收录 450 条

更新

精选归档 · 第 19 页

9月29日周二第 361–380 条
  1. Europe PMC · bioRxiv / medRxiv 预印本78

    ICU 中基于 EEG 的谵妄监测系统验证

    基于摘要分析。本研究针对 ICU 谵妄临床评估执行不一致的问题，在多中心前瞻性队列中验证 Ceribell EEG 床旁系统的谵妄检测能力，并考察连续算法评分与临床谵妄严重程度的关联。这属于临床 EEG 监测验证，并非 BCI 控制任务。 研究纳入成人 ICU 患者，使用 Ceribell EEG 系统监测，每次监测持续 6–8 小时，至少覆盖三天。专家临床医生每天最多进行三次谵妄评估，研究协调员另行完成 Confusion Assessment Method for the ICU（CAM-ICU）评估，并据此计算 CAM-ICU-7 严重程度评分。检测验证以专家诊断为参照，使用每次临床评估前后所覆盖的 30 分钟 EEG 数据，与算法输出进行比较。 作者报告，在纳入分析的 225 名参与者中，年龄中位数为 64 岁，男性占 60%，接受机械通气者占 21%；专家共完成 857 次评估，24% 的参与者至少在一次评估中被判定为谵妄。在上述评估窗口与专家诊断对照协议下，系统检测谵妄的敏感度为 81%（95% CI：76%–87%），特异度为 81%（95% CI：78%–84%）。作者报告，连续系统评分与 CAM-ICU-7 评分相关，bootstrap 相关系数 rho 的中位数为 0.58，IQR 为 0.54–0.62；所给摘要的 p 值部分被截断，无法核对显著性数值。 摘要未提供算法机制、训练数据、检测阈值或开发与验证数据的关系，无法判断具体复现条件。需进一步核对同一患者多次评估的统计处理、评估盲法、镇静及意识水平等混杂因素，以及监测窗口外的连续检测性能；实验协议细节、消融及统计信息尚未验证。评分与严重程度的关联支持作者提出的生理表征潜力，但不能据此确认具体生理机制或改善临床结局。该材料为预印本，不构成临床实践建议。

    阅读价值：值得阅读的是其以多中心前瞻性 ICU 队列检验 EEG 谵妄检测系统，并将算法输出与专家诊断及谵妄严重程度对照，但重复评估的统计处理和临床混杂因素仍需全文核对。

9月19日周六
  1. OpenReview · State space models81

    KUKULKAN：用于时间点过程的可解释状态空间模型

    基于摘要分析。Kukulkan 针对时间点过程建模中表达能力与分枝比可解释性之间的权衡，将 Hawkes 激发机制写成状态空间系统，并通过上下文调节与受限输出门控，把分枝比从单一数值扩展为区间约束，同时保留精确似然计算。 核心机制是将 Hawkes 激发核表示为对角线性系统的状态，利用 Mamba 的并行扫描计算；其补偿子具有闭式表达，分枝比对应系统的稳态增益。通过 structured state space duality，同一计算又可写成对历史事件的注意力，从而把经典核、注意力模型和状态空间模型置于统一形式。摘要将 Mamba Hawkes process 与 S2P2 描述为在该形式上以放弃分枝比解释来换取表达能力的相关方法。 Kukulkan 允许上下文选择各通道的衰减率和背景率，但仅通过取值在零与一之间的门控调节输出映射。作者称，这使每个事件的后代数量受到其发生时确定的数值约束，并使分枝比得到部分识别，提供界限、条件估计与模拟估计。具体参数化、区间构造及各估计量的统计含义尚未验证。 作者报告，在去除标准留出似然数值求积偏差的评估协议下，Kukulkan 在九个公开数据集中的七个上达到无约束神经输出映射的表现，并在全部九个数据集上优于分枝比精确可知的对照模型。在交易所订单流上，作者报告其优于无约束输出映射，同时约束每笔订单的后代数量，且市场状态估计保持亚临界。摘要未提供数据集名称、划分、具体分数或“达到”所采用的判定标准；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG/BCI 问题可合理表示为离散事件时间序列，该机制可能用于研究事件间激发关系，而非直接替代连续 EEG 解码。可复用状态更新与门控约束，但需改造事件提取、上下文输入及通道映射；低信噪比、事件漏检、跨被试差异与小样本可能削弱分枝比解释。一个可证伪的小实验是在固定事件提取与被试内划分下，比较受限与无约束输出映射的留出似然及后代数量估计稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其如何在保留精确似然计算的同时，以门控约束提供事件后代数量界限，以及消除数值求积偏差的评估协议是否影响模型间比较。

  2. OpenReview · EEG73

    用于实时端到端 EEG 情绪识别的稳健 Resonate-and-Fire 神经元

    基于摘要分析。该研究针对 EEG 情绪识别中窗口化频谱计算限制稀疏处理、增加延迟并降低时间分辨率的问题，提出结合数据驱动初始化的稳健 Resonate-and-Fire（RF）神经元，并构建基于 EEGNet 的脉冲式、流式模型 SS-EEGNet，直接从原始 EEG 提取频谱特征，实现在线端到端识别。 核心机制是利用 RF 神经元的振荡膜动态表征频谱信息，而非先计算稠密的窗口化频谱特征。摘要指出，已有 RF 模型存在参数敏感性与不稳定性，一些改进以额外复杂度换取稳定性；本文则通过稳健 RF 模型与数据驱动初始化，使其更可靠地集成到 Spiking Neural Networks（SNNs）中。具体动力学方程、初始化过程、训练损失及梯度计算方式尚未验证。 作者报告，相较其他 RF 模型，所提神经元降低了计算成本与脉冲发放率；SS-EEGNet 在保持稀疏性的同时支持因果、低延迟推理，并取得有竞争力的 Accuracy 与显著效率收益。摘要未提供具体数值、数据集、被试数量、被试内或跨被试划分，也未说明效率测量的硬件与统计口径，因此尚不能量化收益或与其他 EEG 情绪识别结果直接比较。计算成本和脉冲发放率的降低也不能直接等同于实测能耗下降。 复现时需核对流式输入与输出的时间组织、频谱提取所需的状态积累时间、端到端延迟定义，以及 RF 对照模型和 EEGNet 对照的评估条件。还需确认初始化对不同被试、通道配置与噪声条件的敏感性，以及稀疏运算能否在目标硬件上兑现效率优势。实验协议、消融及统计信息尚未验证。

    阅读价值：值得核对其如何以稳健的 Resonate-and-Fire 动力学替代窗口化频谱特征提取，以及稀疏性与低延迟收益是否在实际流式 EEG 推理协议下成立。

  3. OpenReview · EEG76

    TopoJEPA：面向 EEG 基础模型的拓扑锚定联合嵌入预测

    基于摘要分析。TopoJEPA 针对自监督 EEG 基础模型中重建目标可能过度强调电极级信号细节的问题，提出先构建符合 EEG 时空组织的目标表征空间，再在该空间内学习预测动态，以获得更具迁移性的表征。 核心机制遵循 Grounding Before Prediction。Topological Target Grounding（TTG）将异构电极配置映射到统一的层级拓扑，并通过重建学习半球级与区域级表征。Reconstruction-Specific Branch 将重建相关的残差信息隔离到辅助路径，旨在保持重建保真度的同时，减少这些细节对目标空间的主导作用。在 TTG 建立的表征基础上，Topology-Grounded Autoregressive Prediction（TGAP）在联合嵌入空间中建模时空演化。其区别于直接重建原始信号或预测无约束潜在表征的关键，是先约束预测目标的组织结构，而不是完全取消重建学习。 作者报告，在覆盖六类代表性 EEG 解码任务的十个数据集上，TopoJEPA 相较现有自监督方法及 EEG 基础模型基线取得了有竞争力的表现，并在多个任务的线性探测中表现突出。摘要未提供数据集名称、被试规模、具体指标、分数及被试内、跨被试、跨会话或跨数据集划分，因此不能据此量化收益或判断不同协议下的泛化能力。 复现时应重点核对异构电极到层级拓扑的映射规则、TTG 与 TGAP 的训练衔接、辅助分支如何分离重建残差信息，以及线性探测的冻结范围和数据划分。拓扑约束与辅助分支的独立贡献、实验协议、消融及统计信息尚未验证。摘要提供了匿名代码地址，但代码完整性、训练配置及运行条件尚未核验。

    阅读价值：值得核对其拓扑约束目标空间与重建专用分支是否确实提升 EEG 表征迁移性，尤其是作者报告的多任务线性探测表现，但具体评估协议与消融证据尚未验证。

  4. OpenReview · EEG82

    何处、何时及何种内容对齐：以检索为依据的 EEG–ViT 对齐图谱

    基于摘要分析。本文研究 EEG 与预训练 ViT 在空间、时间及网络计算层面的对齐关系，以端到端 200-way 图像检索构建多维对齐图谱，并据此配置 EEG-to-image 解码器。其贡献是将表征对齐分析与实际检索表现联系起来，而非仅讨论抽象的表征相似性。 作者分析了涵盖对比学习、有监督学习、自蒸馏和重建训练的 21 个视觉模型，在 THINGS-EEG2 全部 10 名被试上评估约 21,000 个探测单元；测试包含分别平均 N=1、4、80 次重复试次的三种条件。比较维度包括头皮位置、EEG 时间、网络深度、子层计算、token 读出和训练目标。作者称各项结论均由逐被试符号检验支持；训练与测试划分、探测器形式及多重比较处理尚未验证。 作者报告，在 10/10 名被试中，网络块 0–11 的最佳对齐时刻随深度从 177 ms 推迟至 201 ms，并与头皮后部到前部的潜伏期梯度对应。对于中层对齐峰值，作者提出机制解释：早期计算将 EEG 可见内容写入残差流，中层残差流整合这些内容，后期计算的对齐减弱，而残差流仍保留此前写入的信息。这一解释的具体测量与对照需全文核对。 作者将共享信息解释为粗空间尺度的低层视觉结构，而非细粒度语义：对齐主要由早期视觉皮层上方电极承载，在网络约三分之一至二分之一深度达到峰值；掩码自编码训练下峰值更深，像素重建目标下晚层表现不同。作者报告，2×2 至 4×4 的 token 网格池化较全局读出提高 6–22 个百分点；该差值对应的具体模型、指标定义及重复试次条件尚未验证。 作者进一步报告，将五模型融合流水线简化为八电极、单骨干配置后，表现超过已发表的最先进结果；四状态融合链达到 97.5% 的 final-epoch Accuracy，并取得超过 22% 的单试次 Accuracy。摘要未明确这些结果各自的数据划分、平均重复次数及基线匹配条件，不能跨协议直接比较。复现还需核对电极与模型选择是否独立于测试评估、融合与训练流程、统计不确定性，以及代码和权重可用性；实验协议、消融及统计信息尚未验证。

    阅读价值：值得核对其以端到端检索统一比较 EEG–ViT 对齐位置、时序与表征读出方式的评估框架，尤其是粗粒度 token 池化和残差流分析能否稳定指导解码器简化。

  5. OpenReview · EEG73

    超越 patch 级 EEG 重建：用于 EEG 解码的对比预训练与多尺度卷积 Transformer

    基于摘要分析。研究针对低信噪比及多时间尺度采样点依赖下，原始 EEG 信号分词与掩码重建预训练是否最优的问题，提出结合对比预训练、多尺度采样点级卷积和 Transformer 编码器块的 CoCoT-EEG，并通过消融实验与机制分析考察架构及预训练目标的影响。 核心思路是将对比学习作为 EEG 自监督预训练的替代路径，同时通过多尺度卷积提取采样点级特征。与围绕 patch 进行重建的方案相比，该研究关注跨 patch 边界的特征提取及较长卷积核，以处理不同时间尺度的信号依赖。摘要未提供对比样本构造、数据增强、损失形式、卷积尺度、模型规模及训练流程，这些实现细节尚未验证。 作者报告，CoCoT 在具有异质实验配置的广泛基准解码任务上达到 state-of-the-art 表现；消融与机制分析支持对比预训练、跨 patch 的采样点级特征提取及较长卷积核带来收益。不过，摘要未列出数据集、任务名称、被试数量、被试内或跨被试等划分协议、对照基线及指标数值，因此尚不能判断提升幅度、跨场景稳定性或各设计因素的独立贡献，也不能直接比较不同实验协议下的结果。 复现与评估应优先核对：预训练和下游数据的划分关系，对比学习正负样本与增强策略的定义，以及比较预训练目标时是否控制架构、数据规模和训练预算。对于低信噪比 EEG，还需核对所学表征是否保留任务相关信息，以及跨被试、跨会话和通道配置变化下的表现。具体实验协议、消融及统计信息尚未验证；摘要中的积极结果不应扩大为对所有 EEG 解码场景均有效的结论。

    阅读价值：值得阅读其对预训练目标与架构的分离分析：作者报告对比预训练、跨 patch 的采样点级特征提取及较长卷积核有益于 EEG 解码，但具体收益与适用协议仍需全文核对。

  6. OpenReview · State space models78

    并行循环视觉：谱卷积状态空间模型

    基于摘要分析。研究针对视觉循环计算难以在 GPU 上高效并行、而前馈网络表达复杂时空结构可能需要扩大模型的问题，提出 spectral convolutional state space models（sCSSMs），以可并行的状态空间模型实现卷积循环。 核心机制是将卷积循环映射到频域，使卷积的复合转化为逐点乘法；作者据此提出线性时间扩展的计算方案，并将 sCSSMs 定位为可与 Mamba、Gated Delta Networks 等 SSM 计算模块组合的组件。线性复杂度对应的变量、边界条件、离散化方式以及实际训练和推理效率尚未验证，不能直接等同于端到端加速。 作者报告：在摘要未具名的视觉推理挑战上，单层 sCSSM 的准确率可与人类表现相媲美，并复现人类在这些任务中的时间—准确率权衡；摘要同时称 transformers 在这些挑战上失败，但任务定义、对照配置与具体指标尚未验证。作者还描述了在 ImageNet-1K 上替换 self-attention，以及作为视频生成模型 LoRA adapter 的应用，并报告在 VideoPhy-2 上以更少参数优于 Standard 和 Transformer 基线。摘要未提供具体分数、参数量、数据划分或指标，不能据此比较不同任务的收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，频域卷积循环可能为 EEG 的时空依赖建模提供可并行模块，但视觉领域的结果不等于 BCI 有效。可尝试复用谱域循环计算，需改造 EEG 输入映射及通道组织方式，并核对其卷积结构是否适合不规则电极布局。低信噪比、跨被试差异、通道缺失及小样本可能削弱收益。一个可检验的小实验是在固定 Cross-subject 划分、预处理与参数预算下，比较 sCSSM 与原 SSM 模块的任务指标、训练耗时及通道扰动鲁棒性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其将卷积循环转化为频域并行计算的机制，以及视觉推理与视频生成中的参数效率证据；向 EEG 时空建模迁移的价值尚未验证。

9月18日周五
  1. OpenReview · Representation learning79

    生成驱动的表征学习：无需预设任务的自引导扩散

    该研究考察纯生成训练能否学习可用于语义任务的表征，提出从零端到端联合训练图像编码器与条件扩散模型的框架，不使用标签、对比损失或掩码，基础设置仅采用水平翻转增强。基于摘要分析，未取得论文全文。 编码器输出的潜在向量同时用于控制条件生成和下游语义任务。作者另在编码器输出空间训练扩散模型，以采样潜在表征，并与条件扩散模型串联实现无条件图像生成。摘要强调，条件模型的图像输入与潜在输入使用独立采样的噪声时间步，这是其学习动态的关键；具体噪声注入方式、损失形式与训练流程尚未验证。 作者报告，在 CIFAR-10、CIFAR-100 和 ImageNet-100 上，该系统的无条件生成表现明显优于架构匹配、计算量相同的 DDPM 基线，但摘要未提供指标与数值。作者报告，在仅使用水平翻转增强、编码器纯粹由去噪扩散损失训练的设置下，kNN 分类 Accuracy 可与 SODA 等专门的自监督方法相当。进一步采用与 SimCLR 相同的数据增强配方后，作者报告，生成目标在 CIFAR-10 和 CIFAR-100 涉及的四种探测协议中，有三种优于 SimCLR 的对比目标。数据划分、探测协议细节、消融及统计信息尚未验证，不能据此推断其他任务上的优势。 平台推测（待验证）：迁移至 EEG 的假设是，条件生成的去噪监督可能促使编码器提取可复用结构，从而缓解标签稀缺问题；但图像语义表征的结果不等于 BCI 有效。可复用的是编码器与条件扩散联合训练、独立噪声时间步机制；需改造信号编码、噪声建模与增强策略，水平翻转不能直接视为 EEG 的有效增强。低信噪比、跨被试差异、通道不一致和小样本可能使表征偏向伪迹或个体特征。一个可证伪的小实验是在固定 EEG 数据划分与计算预算下，对比独立和共享噪声时间步，并以冻结编码器的跨被试分类检验机制收益；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对与复现的是：作者以生成目标学习语义表征，并设置同架构、同计算量的 DDPM 对照及同数据增强的 SimCLR 对照，可用于检验表征收益是否来自训练目标与噪声机制，而非额外预设任务。

  2. OpenReview · State space models79

    输入变异性对选择性状态空间模型中长期依赖的影响

    基于摘要分析。研究考察选择性状态空间模型 S6 中，输入变异性如何影响长期依赖，并据此提出基于 Gumbel-Softmax trick 的初始化方法，在不修改模型架构的前提下改善长期信息保持。 核心机制：Mamba 通过输入依赖的 S6 机制建模时变动态，同时保留并行计算能力。作者指出，相比输入无关的 S4、S5，Mamba 在需要不受后续输入影响、持续保留先前信息的长序列任务上可能表现较弱。作者的分析表明，较大的输入方差可能使先前信息更难长期保留，因此离散化状态矩阵在初始化时应包含接近 1 的值。作者进一步指出，在标准 Mamba 初始化下，增大状态维度会使该矩阵的取值分布向接近 0 的区域偏移，却不增加接近 1 的值所占比例。所提方案针对这一分布问题调整初始化，而非增加网络结构；具体参数化、推导假设及训练设置尚未验证。 结果与证据边界：作者报告，在合成任务和 LRA 任务上验证了推导出的初始化性质；新初始化改善了需要跨越长序列、独立于后续输入保留先前信息的任务表现，同时在上下文依赖任务上保持相当表现。摘要未提供具体任务配置、数据划分、对照设置或指标数值，实验协议、消融及统计信息尚未验证，不能据此认定其在所有长序列任务上均优于标准 Mamba。 平台推测（待验证）：迁移假设是，EEG 中随时间变化的输入方差可能影响选择性状态更新对早期信息的保留，但原领域结果不等于 BCI 效果。可复用初始化策略，需适配 EEG 输入编码、归一化和序列长度；低信噪比、通道尺度差异及跨被试变化可能改变机制表现，增强记忆也可能保留无关噪声。可在固定被试内划分、相同 Mamba 架构与训练配置下，对比标准初始化和所提初始化，并改变早期任务相关片段之后的噪声强度，检验性能退化与状态保持是否同步变化。已有 EEG 相关工作尚未检索确认。

    阅读价值：该研究将 Mamba 的长期信息保持问题具体关联到输入方差与离散化状态矩阵的初始化分布，并提出无需修改架构的初始化方案，值得核对其理论适用条件及长序列任务上的复现效果。

  3. OpenReview · Representation learning74

    SpecMRL：在参数谱空间中重新设计 Matryoshka Representation Learning

    基于摘要分析。该研究针对 Matryoshka Representation Learning（MRL）联合优化嵌套前缀、却缺乏显式约束确保前部特征形成有效紧凑编码的问题，提出 SpecMRL：引入由参数导出、按特征重要性组织的谱基，在学习到的谱空间中读取前缀，以改善可变维度表示的压缩效果。 机制上，SpecMRL 的主要变化是重组表示空间，而非替换 MRL 的整体训练框架。摘要称其余部分沿用标准 MRL，但未说明谱基由哪些参数构造、重要性如何度量，以及谱基的学习与更新方式；具体损失、训练开销和推理成本尚未验证。因此，其可核对的创新点是前缀读取坐标系与信息排序机制，而不是摘要未提供的网络结构。 作者报告，在 MTEB 上，SpecMRL 在所有已评估的降维设置中均优于 MRL，且压缩越强，收益越大；作者还报告，仅使用一半嵌入维度即可超过全维 MRL。摘要未提供具体任务、指标、分数、原始维度及数据划分，不能据此判断收益幅度或各任务的一致性。实验协议、消融及统计信息尚未验证，复现需进一步核对模型、训练数据、维度设置和基线条件。 平台推测（待验证）：若 EEG 表示需要按存储或推理预算截取维度，按重要性组织谱方向可能缓解直接截取前缀时的信息损失。该假设依赖可学习的向量表示、参数谱结构及足以稳定估计重要性的训练数据；可复用谱空间重组与前缀读取思路，但需适配 EEG 编码器、任务监督和跨被试分布变化。低信噪比、小数据及通道差异可能使重要方向不稳定，或优先保留被试特异信息。一个可检验的小实验是在固定 EEG 编码器、数据划分和训练预算下，对比标准 MRL 与谱空间前缀读取在多个压缩维度下的表现，并分别评估被试内与跨被试协议。已有 EEG 相关工作尚未检索确认，以上并非已验证的 BCI 效果。

    阅读价值：值得核对参数导出的谱基如何改善嵌套前缀的信息排序，以及作者报告的半维嵌入优于全维 MRL 是否在相同训练与评估条件下成立。

  4. OpenReview · EEG79

    NeuroAccord：时间—空间—频率引导的大型 EEG 模型持续学习

    基于摘要分析。研究针对 EEG 基础模型持续学习中新能力获取与旧任务保持之间的矛盾，提出 NeuroAccord：将具有生理依据的时间—空间—频率（TSF）描述符与模型特征关联，以信号结构为参照约束表征变化，而不回放早期 EEG 记录。 机制方面，作者指出，随着共享模型演化，受保护参数对原任务的重要性可能逐渐下降；面对任务与被试异质性，固定回放缓冲区覆盖的历史知识比例也可能降低。NeuroAccord 利用当前任务描述符和冻结的前一阶段模型特征构建 TSF 基，迁移教师模型所表达的样本间关系，并在适应过程中保持 TSF 耦合。跨阶段累积的 TSF 相关方向用于约束特征漂移。摘要未给出描述符定义、基的构建算法、关系迁移目标或具体损失形式，尚不能判断各模块如何实现及其计算成本。 结果方面，作者报告，在覆盖九个数据集、六种范式和四个 EEG 基础模型的任务增量实验中，NeuroAccord 相对于所比较的 18 个基线，取得最高的平均 anytime accuracy 和 backward transfer，以及最低的 forgetting。该优势限于摘要所述评估范围，不能外推至其他持续学习协议。摘要未提供具体分数、指标定义、任务顺序、数据划分，以及被试内、跨被试或跨会话条件，因此无法量化收益或判断不同实验间的可比性。 作者报告消融、鲁棒性及持续学习分析进一步支持可塑性与稳定性的平衡，但实验协议、消融及统计信息尚未验证。复现时需重点核对 TSF 描述符与特征的对齐方式、累积方向的存储及更新成本、教师模型的使用方式，以及不回放早期记录条件下保留哪些历史信息；同时核查任务顺序变化、被试与通道差异对旧任务保持能力的影响。代码、数据预处理和训练配置在所给材料中尚未验证。

    阅读价值：值得阅读的具体原因是 NeuroAccord 尝试以 EEG 时间—空间—频率结构约束持续学习中的特征漂移，且无需回放早期记录；其相对参数保护与样本回放方法的优势仍需结合全文协议和消融结果核对。

  5. OpenReview · EEG75

    vNeuro：EEG 视觉模型的基础

    基于摘要分析。该研究探讨自然视觉数据上学到的表征能否复用于 EEG，以减少从零预训练大型 EEG 专用模型的需求。vNeuro 通过轻量可训练接口，将多通道 EEG 时频表征转换为保留电极几何关系的视觉 token，适配冻结的视频预训练 V-JEPA 2.1 编码器。 机制上，接口在无标签 EEG 上通过潜在表征预测与分布正则化进行自监督训练，视觉主干始终固定；下游训练只优化适配器和分类头。其核心区别在于复用预训练视觉主干，而非从头学习 EEG 主干。时频变换、token 映射、预测目标和正则化的具体形式，以及接口规模与训练数据量，摘要未提供，尚未验证。 作者报告：采用 ViT-B 主干时，vNeuro 在 TUAB 异常检测上的 Balanced Accuracy 为 81.40%，在 TUEV 事件分类上为 68.35%；采用 ViT-G 时，TUEV 的 Balanced Accuracy 为 68.73%。摘要未说明被试内、跨被试或其他划分协议，因此这些结果不能直接与不同协议下的分数比较。作者称其表现可与使用数万小时 EEG 预训练的基础模型竞争，但具体对照模型、预处理与训练预算的可比性尚需核对。 作者报告消融和表征分析支持 EEG 到视觉 token 的映射及带正则化的自监督适配均对性能有贡献；具体效应幅度、实验协议与统计信息尚未验证。复现重点包括电极布局与通道处理、时频输入构造、V-JEPA 2.1 权重配置、适配训练语料及下游数据划分。平台推测（待验证）：固定视觉主干可能减少需要更新的参数，但不能据此认定整体训练成本更低，或已具备跨被试、跨设备泛化能力。

    阅读价值：值得核对其电极几何保持的视觉 token 映射与冻结 V-JEPA 2.1 的自监督适配机制；作者报告其在 TUAB、TUEV 上具有竞争力，但评估划分与计算成本尚需全文验证。

  6. OpenReview · Representation learning78

    重新审视长尾数据下监督对比学习的表征几何

    基于摘要分析。本文研究长尾分布下监督对比学习及其平衡变体是否能在最优点形成正则单纯形几何，并提出用于分析这一问题的理论框架。作者据此引入 structural balancing，提出一个在其理论条件下可于最优点形成正则单纯形几何的完全平衡对比学习目标。 核心机制与贡献：作者指出，对所分析的代表性目标而言，最优表征仍依赖各类别的样本数量，因此不能形成正则单纯形。本文的切入点不仅是平衡训练样本或类别贡献，而是检验目标函数对应的最优表征结构是否真正摆脱类别样本数量的影响。摘要未给出 structural balancing 的具体形式、损失表达式、几何分析对象及证明假设，这些均需通过全文核对。 结果与复现：作者报告，理论与实证结果支持该方法获得更平衡的表征空间，并改善长尾识别与迁移学习任务表现。摘要未提供数据集、数据划分、对照方法、指标或数值，实验协议、消融及统计信息尚未验证。作者表示代码将发布，当前材料不能确认代码已可用。 平台推测（待验证）：假设 EEG 分类中的类别不均衡也会通过监督对比目标扭曲类别表征几何，该结构平衡思路可能用于检验少数类表征受挤压的问题；原领域有效并不等于 BCI 有效。可复用部分是对比目标及其几何诊断，需针对 EEG 编码器、批次采样和被试差异进行适配。其依赖带类别标签、具有类别样本数量差异的数据；低信噪比、小数据和跨被试变化可能使理想几何难以实现，且均匀类别间距未必符合 EEG 的实际类别关系。一个可证伪的小实验是在固定 EEG 数据划分、编码器和训练预算下，控制训练集类别不均衡程度，对比监督对比学习、已有平衡目标与该目标，同时检查类别几何及 Balanced Accuracy，检验几何改善是否伴随分类收益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其对类样本数量如何影响监督对比学习最优几何的理论分析，并核对 structural balancing 的适用条件及其相对已有平衡目标的实证收益。

  7. OpenReview · EEG83

    GRAFT-EEG：用于跨数据集运动想象 EEG 的规范感知物理场传输

    基于摘要分析。GRAFT-EEG 研究跨数据集运动想象 EEG 解码，将蒙太奇、参考和活跃传感器变化视为观测算子变化，而不只是表征偏移。其核心贡献是在拟合阶段不接收目标信号、标签或经验统计量的条件下，利用物理场传输构建跨数据集预测；目标电极坐标仅用于实例化固定预测算子。 机制上，方法消除活跃传感器集合下公共参考的规范自由度，再通过模板运动 leadfield 传输各数据集原生传感器掩码。源数据拟合的谱分类器承担主要决策，有界状态空间模型（SSM）残差作为辅助。作者给出了受限可辨识性与算子扰动界，但其假设、适用条件及具体实现尚需全文核对。 作者报告，在包含 253 名被试、五个目标数据集的留一数据集评估中，动态 GRAFT-EEG 的各目标等权 Balanced Accuracy 为 60.865%，strict-clean 5/5 BIOT 为 52.684%；分层差异为 +8.182 个百分点，95% CI 为 +6.382 至 +10.196，所有目标上的差异均为正。在四个 EEGPT-clean 目标上，两者描述性均值分别为 61.520% 与 59.057%；这一不同目标集合的结果不宜与前述协议直接比较。 作者报告，四项事后 exact same-parent 对照中，FULL 相对 coordinate-basis、matched-spectrum、row-shuffled 和 wrong-anatomy 分别提高 9.959、9.698、11.241 和 3.985 个百分点；所有 95% CI 均不含零，Holm 校正后 P < 0.001。这些对照为物理算子的贡献提供支持，具体匹配与控制方式尚未验证。 另一个 60 名被试的同范式评估中，作者报告物理算子对比仍为正：+4.029 个百分点，95% CI 为 +2.338 至 +5.773；动态与静态版本的差异则尚无定论。摘要将其预注册验证状态界定为部分确认，而非不受限的外部验证。作者另报告 SSM 增益为 +1.059 个百分点，95% CI 为 +0.013 至 +1.892，具体所属评估协议尚待核对。 结论限于五个二分类运动想象域及已测试算子。复现需核对模板 leadfield、原生掩码与参考处理、源数据拟合流程、目标信息使用边界，以及理论条件、数据划分和统计协议；全文、实现可用性及完整消融信息尚未验证。

    阅读价值：值得核对其如何把蒙太奇、参考及活跃传感器变化建模为观测算子变化，以及物理算子对照能否支持不使用目标统计量的跨数据集迁移；摘要报告了正向结果，但结论范围受任务与算子限制。

9月17日周四
  1. OpenReview · Representation learning76

    面向无监督域适应的联合对比—对抗表征学习

    基于摘要分析。本文研究无监督域适应如何同时利用有标签源域与无标签目标域中的可迁移结构，提出 Joint Contrastive-Adversarial Representation Learning（JCAR），通过两阶段训练将共同表征学习与下游监督预测分离，并分析其非渐近超额风险。 机制上，第一阶段合并源域与目标域样本，在不使用标签的表征学习中结合对比学习和对抗式域对齐；第二阶段冻结表征，仅以源域标签拟合预测器。摘要未说明对比样本构造、具体损失、网络架构或训练调度，这些实现细节尚未验证。 理论上，作者给出的风险界耦合表征与域判别器的估计误差，同时将下游预测误差分离，并显式纳入神经网络逼近误差。在论文所述假设、共同 Hölder 平滑度 β≥1 且无标签样本足够多的条件下，作者报告下游收敛率为 Õ(m^{-β/(2β+d)})，其中 m 为有标签源域样本数，d 为潜在维度，省略对数因子；环境维度 p 则进入预训练成本。该结论是条件性理论结果，不能直接等同于任意域偏移下的泛化保证。 实验方面，作者报告在 Office-31、Office-Home 和 DomainNet 上获得迁移收益，尤其是在从零学习表征时表现较强。具体迁移方向、数据划分、对照基线、指标数值、消融及统计信息尚未验证，尚不能量化收益或比较不同协议。 平台推测（待验证）：其潜在 EEG 迁移路径是假设跨被试或跨会话数据存在共同低维任务结构，以目标域无标签 EEG 辅助学习表征，再冻结表征训练源域预测器。两阶段流程与域判别器思路可能复用，但 EEG 编码器、对比增强及正负样本构造需适配时序和通道结构。低信噪比、通道差异、小数据及任务相关的被试差异可能导致错误对齐。可在固定 Cross-subject 划分下，比较源域监督、仅对比学习与联合对比—对抗学习，确保目标测试标签不参与训练，并观察收益是否随目标域无标签样本量变化。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 JCAR 将联合无标签表征学习与源域监督预测分开，并给出关联表征及域判别器估计误差的风险界，可用于核对无标签数据规模与潜在维度如何影响域适应的样本效率。

  2. OpenReview · EEG73

    面向 EEG 基础模型的双曲关系感知图池化

    基于摘要分析。该研究针对 EEG 基础模型的常见读出头在池化预训练 token 时，未显式区分信息相似性与语义具体性的问题，提出轻量、即插即用的 Hyperbolic Relation-Aware Graph Pooling（HRAGP），用于下游分类。 机制上，HRAGP 先将 EEG token 映射到双曲空间，再构建加权有向图：以测地距离提供基于相似性的边权，以 entailment-cone compatibility、方向偏好和径向排序决定边的保留与朝向。随后，有向图模块汇总入边与出边关系，并将所得表示与骨干网络特征的平均池化表示结合。其核心思路是让读出过程利用 token 间的几何与方向关系，而非仅进行无差别平均；摘要未说明具体映射公式、图汇总算子、损失或训练配置。 作者报告，在四个 EEG 基础模型、五个下游基准的实验中，HRAGP 在多数设置下优于平均池化，同时增加相对较少的可训练参数。摘要未给出模型与基准名称、任务、被试规模、被试内或跨被试等划分协议、评价指标、提升幅度及参数量，因此尚不能判断收益大小、跨设置稳定性或计算开销。 复现时需核对骨干是否冻结、对照读出头的训练条件、双曲空间与边方向规则的消融，以及图构建对 token 数量和通道配置的敏感性。实验协议、消融及统计信息尚未验证；也需查阅全文确认语义具体性的几何假设如何对应 EEG 表征，避免将图结构解释直接视为已验证的生理机制。

    阅读价值：值得核对其关系感知读出能否在较小参数增量下稳定优于平均池化，尤其是双曲几何与边方向规则各自的贡献，但具体效果与复现条件尚未验证。

  3. OpenReview · EEG79

    PACE：面向 EEG 基础模型的渐进式情感对齐

    基于摘要分析。该研究关注 EEG 基础模型中可提取的情感信息为何未必能跨异质被试、数据集及情感诱发情境迁移，提出情感后训练框架 Progressive Affective Contrastive Enhancement（PACE），通过逐步扩大对齐范围改善情感表征的迁移组织。 作者对四种 EEG 基础模型的冻结表征进行诊断，报告情绪关系在被试内比跨异质数据集与诱发情境更稳定，据此区分“情感信息可恢复”与“情感表征组织可迁移”。PACE 首先在各个数据集内部学习跨被试情感结构，再将对齐扩展至不同数据集和诱发情境，同时保留数据集内监督。其核心设计是从相对可靠的局部关系逐步扩展到异质条件，而非直接要求所有条件下的表征统一对齐；具体损失形式、监督标签及训练配置尚未验证。 在十二个完全留出的目标数据集、四种基础模型骨干上，作者报告：完整微调的平均 Balanced Accuracy 提升 2.66–7.05 个百分点，线性探测表现提升 3.52–5.77 点。摘要未明确后一项指标名称，也未交代这些提升区间对应的具体参照，因此不能将线性探测结果直接视为 Balanced Accuracy。作者还报告 PACE 在全部十二个目标数据集上优于 CE、SupCon 和 VREx 后训练方法；阶段消融支持渐进策略，冻结表征分析显示四种骨干的情绪关系几何均有改善。 复现时需核对后训练与目标数据的隔离方式、情绪标签跨数据集的对应关系、各目标数据集的评估划分，以及完整微调和线性探测各自的基线与统计不确定性。摘要提供匿名代码链接，但代码内容与可运行性尚未验证；具体数据集、被试数、实验协议、消融及统计信息亦尚未验证。该工作直接面向 EEG 情感迁移，其结果不能据此推广为其他 BCI 任务的普遍收益。

    阅读价值：值得核对其分阶段情感对齐能否在保留数据集内监督的同时改善跨数据集迁移，摘要提供了四种 EEG 基础模型骨干、完全留出目标数据集及阶段消融的验证线索。

  4. OpenReview · EEG75

    从生理构成到 EEG 表征中的情感几何

    基于摘要分析。研究针对高维 EEG 表征中情绪相关活动的脑区与频谱构成难以显式刻画的问题，提出生理构成框架：将 EEG 基础模型表征转换为共享的脑区–频率 motif 激活，用可解释的生理空间比较不同模型所组织的情感结构。 核心机制是预先为各 motif 定义头皮区域与频带，并利用相应频带内的频谱活动引导每个 EEG 样本的 motif 激活估计。motif 之间的竞争用于减少证据的重复分配，所有激活共同构成样本特定的生理构成。摘要未给出激活估计的具体公式、竞争机制的实现、损失函数，以及基础模型是否冻结或参与训练，这些细节尚未验证。 作者报告，在全部九个数据集–模型组合中，具有生理结构的 motif 均优于随机映射，支持所学习构成中的生理组织具有预测相关性；摘要未说明对应任务、评价指标、提升幅度及数据划分。作者还报告，两个独立预训练的基础模型恢复出高度相似的情感几何，其中情绪距离的相似度为 0.976，质心角度的相似度为 0.935。相似度的计算定义、情绪类别、统计不确定性及具体评估协议尚未验证，不能将这些数值解释为解码 Accuracy。 该工作的阅读价值在于提供解码性能之外的模型比较维度：考察不同基础模型是否以相近的生理构成组织情感结构。复现时需核对数据集与基础模型身份、motif 词表及区域–频带定义、随机映射对照的构造、被试与会话划分，以及几何相似度的计算方式。跨模型几何相似不等于已验证的跨被试或跨数据集泛化；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 基础模型表征映射到共享的脑区–频率生理构成空间，并以随机映射对照及跨模型情感几何比较检验其解释价值；具体实验协议与稳定性尚未验证。

  5. OpenReview · Representation learning71

    Representax：基于 JAX 的可扩展表征学习

    基于摘要分析。该工作面向跨模态表征学习中训练与评估工具分散、研究实现难以扩展的问题，提出开源 JAX 框架 Representax，将多类表征学习方法与共享训练基础设施整合，支持从方法探索到规模化训练。 框架统一了可扩展的训练和评估任务，覆盖 dense retrieval、late-interaction retrieval、多模态对比学习、reward modeling 和 joint-embedding predictive learning。共享基础设施支持模型适配、多模态数据处理、内存高效优化，以及 GPU 和 TPU 上的分布式执行。摘要体现的贡献主要是研究软件与任务整合，而非明确提出新的表征学习损失；具体模型结构、损失实现、优化策略及接口约束尚未验证。 作者报告，通过与既有框架比较训练性能、训练并评估检索和多模态模型，以及测量多 GPU strong scaling，观察到具有竞争力的吞吐量、留出检索任务上的改进和高效扩展。摘要未提供数据集、划分、基线名称、硬件配置或数值，因此不能量化优势，也不能据此推断跨数据集泛化；实验协议、消融及统计信息尚未验证。复现需进一步核对源码获取方式、依赖版本、训练配置、数据处理流程和计时口径。 平台推测（待验证）：若其多模态对比学习与 joint-embedding predictive learning 接口允许接入 EEG 时序编码器，该框架可能用于组织 EEG 自监督预训练实验，但这只是工程复用假设，不是已证实的 BCI 效果。需改造输入处理、通道适配、时间窗口与任务评估；对比学习还依赖合理的配对或增强设计。低信噪比、通道差异、被试差异和小数据可能削弱收益。一个可检验的小实验是在固定数据、跨被试划分、编码器与训练预算下，对照原实现和 Representax 实现，核对下游指标、吞吐量与峰值显存。已有 EEG 相关工作尚未检索确认。

    阅读价值：Representax 将多类表征学习方法与 JAX 分布式训练基础设施统一，值得核对其任务扩展接口、性能对照与多 GPU 扩展协议，以评估能否降低研究实现成本；其 EEG/BCI 适用性尚未验证。

9月16日周三
  1. OpenReview · Representation learning78

    结构化表示学习的分区恢复

    基于摘要分析。该研究关注表示在维持预测性能的同时，是否会丢失任务相关的潜在可区分结构，并将这一问题形式化为 partition recovery（分区恢复），即恢复由任务相关可区分性诱导的潜在等价关系。作者提出统计理论与可微表示学习框架 DPT，将分区保持作为区别于预测准确率的学习目标。 理论方面，作者给出一致性保证，以及受表示复杂度和 partition margin（分区间隔）控制的有限样本恢复界；对不均衡情形，作者指出恢复能力受采样最少的潜在模式控制。在此基础上提出 task-structure sufficiency（任务结构充分性），要求表示保留底层分区，而不只是满足预测需求。DPT 可使用领域知识导出的分区，或从数据中通过统计自助法构建的分区训练；具体分区构造、可微目标、损失形式及优化流程尚未验证。 作者报告，在合成与真实世界基准上，常规监督目标可能保留粗粒度预测性能，却破坏真实潜在区别，而 DPT 能保留底层结构并揭示标准 Accuracy 指标无法反映的表示失效。摘要未提供基准名称、数据划分、对照配置及量化结果，实验协议、消融及统计信息尚未验证。阅读全文时需重点核对潜在分区的定义与可观测依据，以及分区恢复如何独立于预测性能得到评估。 平台推测（待验证）：迁移到 EEG 的假设是，某些任务相关潜在状态可能被粗粒度标签掩盖，因此分区保持或可补充常规分类评估。可复用的是分区恢复目标与结构评估思路，需改造的是 EEG 编码器和分区构造方式；前提是存在可信的领域分区或可稳定估计的数据结构。低信噪比、通道差异及小样本可能使分区误捕获被试或会话特征，稀有模式也可能难以恢复。一个可证伪的小实验是：在固定 Cross-session 划分和相同编码器下，对比常规监督训练与 DPT，分别评估任务 Accuracy 和预先定义的任务相关分区恢复表现。该假设不代表已证实的 EEG 效果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其分区恢复理论与 DPT 的实现，因为作者将“预测准确但潜在模式被压缩合并”的表示失效转化为独立评估目标；其对 EEG 表示学习的适用性尚未验证。