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。

440 条精选近 30 天 401 条共收录 476 条

更新

精选归档 · 第 21 页

9月10日周四第 401–420 条
  1. OpenReview · Representation learning74

    VINO：利用 Volume Transformers 重新审视 3D 表征学习

    基于摘要分析。该研究针对 3D 场景自监督表征学习尚未取得与 2D 相当成效的问题，提出 VINO：以 Volume Transformer 替换常用的分层 PTv3 骨干，并重新设计跨视图匹配、掩码内容预测及 2D-to-3D 知识蒸馏，以无标签方式学习 3D 场景语义表征。 机制上，Volume Transformer 被描述为面向 3D 场景的 ViT-like 架构。跨视图匹配采用教师—学生角色分工：教师提供干净、一致的目标，学生学习对更强扰动的不变性。掩码预测则限制学生只能利用可见上下文推断缺失表征，不允许其访问被掩码的几何信息。2D-to-3D 蒸馏不再直接回归依赖视角的图像特征，而改用视角更一致的监督；摘要未说明该监督的具体构造，也未给出损失形式、掩码策略或训练规模。 作者报告，VINO 在室内与室外基准上的稠密线性探测表现显著改善，并能较好迁移到域外设置。摘要未提供数据集名称、划分、对照基线及具体指标，故无法量化提升或比较不同评估协议；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其教师提供稳定目标、学生承受更强扰动，以及仅从可见上下文预测掩码表征的思路，可能用于 EEG 自监督学习中检验噪声鲁棒性与上下文利用能力。但原方法依赖 3D 几何及跨视图对应，不能直接视为 EEG 方法：可考虑复用目标分工与掩码访问约束，骨干、位置编码及扰动需适配 EEG 时间—通道结构，2D-to-3D 蒸馏也缺少直接对应。低信噪比、跨被试差异、通道缺失及小数据可能使教师目标不稳定，过强扰动还可能破坏任务相关信号。一个可证伪的小实验是在固定 EEG 数据划分和训练预算下，仅比较常规教师—学生训练与上述目标分工，并在相同 Cross-subject 协议下评估；已有相关 EEG 工作尚未检索确认。

    阅读价值：值得核对其教师—学生目标分工、掩码几何隔离与跨模态监督设计能否分别改善表征学习；摘要未提供定量结果，各项改动的独立贡献尚未验证。

9月8日周二
  1. OpenReview · EEG76

    PRiSE-EEG：采用深度分层专家的先验引导基础模型，用于跨范式 EEG 表征学习

    基于摘要分析。该研究针对不同 EEG 范式之间的优化冲突与表征共享差异，提出先验引导的 EEG 基础模型 PRiSE-EEG，通过 CKA 校准的深度分层专家配置，在浅层保留共享表征、在深层增加专用处理能力，以支持跨范式 EEG 表征学习。 机制依据：作者对 dense EEG Transformers 开展两类分析。在六个下游数据集上的梯度相似性分析中，作者报告不同 EEG 范式之间存在明显优化冲突；对混合范式批次的 CKA 分析则显示，浅层具有较强跨范式相似性，深层表征逐渐专门化。这些发现用于指导专家配置，而非在所有层采用统一适配方式。 模型设计：PRiSE-EEG 结合弱静态皮层与网络先验，以及动态短时通道交互，构建连续多通道 EEG patches；再通过对逐层 CKA 共享程度的 sigmoid 映射，在 MoE Transformer 各模块中配置共享与专用专家。摘要未说明先验的具体构建方式、通道交互计算、专家路由、损失函数或预训练设置，相关实现细节尚未验证。 结果与对照：作者报告模型在 12 个公开 EEG benchmarks 上表现较强，并报告简要消融中，CKA 驱动的专家配置优于 dense Transformers、uniform MoE 及人工固定的共享—专用专家比例。摘要未提供 benchmark 名称、任务组成、指标数值、被试与数据划分，也未明确这些比较采用何种下游微调或联合训练协议，因此不能量化收益，或据此确认跨被试、跨会话、跨数据集泛化能力。 复现重点：材料提供匿名代码仓库，但其内容与可运行性尚未验证。阅读全文时应核对 CKA 校准所用数据、专家总容量与计算预算是否匹配、下游适配协议，以及先验模块和专家分配各自的贡献；实验协议、消融及统计信息尚未验证。

    阅读价值：值得核对其由层级 CKA 相似性驱动共享与专用专家分配的机制，以及相对 dense Transformer、uniform MoE 和固定专家比例的消融；摘要尚不足以确认跨范式收益的幅度与评估协议。

  2. OpenReview · EEG71

    NeuroEvolve：学习为基础模型适配生成何种 EEG

    基于摘要分析。该研究针对 EEG 基础模型下游适配受任务特定数据不足限制的问题，提出反馈驱动的 EEG 生成范式 NeuroEvolve：根据模型需求学习生成何种 EEG，而非仅追求与真实信号相似。其核心观点是，高保真 EEG 不一定是有益于模型适配的 EEG。 方法包含两项机制。Closed-loop Strategy Discovery（闭环策略发现）由规划与评估智能体协作，利用基础模型反馈迭代改进生成策略；Successful Experience Internalization（成功经验内化）将成功交互提炼为可复用知识，面向未见任务使用。相较于摘要所描述的现有方法，其差异在于以模型适配需求驱动生成策略，而不只优化信号保真度或进行通用数据增强。生成器结构、反馈指标、策略搜索过程、知识内化的训练方式，以及下游适配流程尚未验证。 作者报告，在多种 EEG 任务、数据集和基础模型上的实验中，NeuroEvolve 带来一致的适配收益，并验证了两项机制的有效性。摘要未提供具体任务与数据集名称、被试数、数据划分、对照基线或指标数值，因而尚不能判断收益大小，也不能确认这些结果对应被试内、跨被试、跨会话或跨数据集协议。 复现时需重点核对：基础模型反馈使用的数据与评价标准、生成样本的筛选和使用方式、未见任务的定义，以及闭环搜索和经验复用所需的计算成本。尤其需要确认生成策略所用反馈与最终测试评估之间的隔离方式，才能判断适配收益的泛化范围；这属于待核对事项，并非已发现的问题。实验协议、消融及统计信息尚未验证，代码与复现条件也无法从当前材料确认。

    阅读价值：值得阅读的具体原因是其将合成 EEG 的优化目标从信号逼真度转向基础模型适配收益，并提出闭环策略发现与成功经验内化两种机制；收益幅度及反馈评估协议尚需全文核对。

  3. OpenReview · EEG74

    SemLoop：建立语义相关性与 EEG 基础模型效用之间的闭环

    基于摘要分析。该研究针对 EEG 基础模型适应任务特定模式时，语言语义虽与任务相关、却未必对目标模型有用的问题，提出闭环语义适应框架 SemLoop，以目标模型反馈指导语义对齐、迭代细化和后续规划，而非仅依赖预定义语义。 框架包含三个机制：EEG-Grounded Semantic Alignment（EGSA）将语言衍生的神经生理概念与 EEG 表征对齐；Model-Validated Semantic Refinement（MVSR）借助基于 LLM 的评估与规划智能体，利用目标模型反馈迭代细化语义；Experience-Internalized Semantic Planning（EISP）将成功的细化经验内化，用于后续规划。其方法重点是区分“语义与任务相关”和“语义能帮助目标模型”这两个目标。摘要未说明对齐目标、反馈指标、智能体交互流程或经验内化的具体实现，这些机制细节尚未验证。 作者报告，在九个 EEG 基准和多个 EEG 基础模型上，SemLoop 一致优于全量微调及预定义语义引导方法；作者还报告，任务相关语义对模型的效用存在差异，模型验证驱动的细化能够使语义转向更高效用。摘要未提供基准名称、任务构成、评价指标、具体提升幅度，以及被试内、跨被试、跨会话或跨数据集划分，因此不能据此判断收益大小或跨协议泛化能力。 复现时需核对：模型反馈来自何种数据划分，语义筛选与最终评估是否相互独立，各方法的调参和计算预算是否可比，以及三个机制各自的贡献、结果波动与统计依据。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，但代码内容、运行依赖及可复现性尚未验证；来源材料也未明确论文的接收或发表状态。

    阅读价值：值得核对其如何将语义相关性转化为目标模型反馈驱动的适应收益，尤其是闭环语义细化相对全量微调和预定义语义引导的评估协议与计算成本。

9月5日周六
  1. OpenReview · EEG76

    CoEEG：EEG 解码中的协作学习基准评估

    基于摘要分析。CoEEG 针对 EEG 解码中的被试间差异、单用户标注稀缺及隐私限制下的数据分散问题，构建联合比较模型与协作学习协议的基准。其贡献是将 MI（运动想象）、SSVEP、P300 三种范式、不同模型家族及共享边界放入统一评估框架，而非将协作学习视为普遍有效的训练方案。 基准覆盖具有范式特定先验的传统机器学习模型、从头训练的深度模型及 EEG 基础模型，共比较十种模型和四种涵盖非协作与协作训练的协议。摘要未给出协议名称、客户端构成、具体数据集或被试划分，不能据此判定结果属于何种 Within-subject、Cross-subject 或 Cross-session 设置。 作者报告，SSVEP 中十种模型有九种从协作中获益，并将这一现象解释为被试间决策边界较为共享；P300 中，只有各客户端保留私有分类头时，所有模型才均获益；MI 的收益则集中于独立训练表现较差的模型。在六个联邦评估组合中，从头训练模型家族的平均表现更高，但某个基础模型在其中两个组合取得单模型最佳成绩；摘要未说明这些组合的定义及对应指标。 作者以测得的表征对齐程度和推断的决策边界共享程度解释共享边界的作用，并报告私有分类头在 MI 中产生分化，未改善最弱客户端。摘要还报告 SSVEP 中最弱客户端下降 20.7 个百分点、最强客户端下降 9.3 个百分点，但对应指标、参照协议与客户端分组方式尚未验证，不能据此推导绝对表现。 作者报告，纳入参数量、内存及通信后，轻量模型在多数设置中具有更好的性能—成本权衡，最大基础模型的传输量最高达 378.73 GiB；该数值对应的训练轮次、统计范围及通信方向尚未验证。复现时应重点核对共享与私有模块、客户端数据划分、弱势客户端定义和成本核算口径；实验协议、消融及统计信息尚未验证。

    阅读价值：CoEEG 将 EEG 范式、模型家族与参数共享边界纳入同一评估框架，值得核对其协作收益、弱势客户端表现及通信成本之间的权衡，但具体协议与统计可靠性尚未验证。

9月4日周五
  1. OpenReview · EEG71

    基于时频双路径有限标量量化的视觉到 M/EEG 脑编码

    基于摘要分析。研究面向从视觉刺激预测 M/EEG 神经响应的视觉脑编码任务，提出结合时频特征、有限标量量化（FSQ）及图像—神经表征对齐的三阶段框架。作者报告该方法在 THINGS-EEG2 和 THINGS-MEG 上有效，但摘要未提供具体指标、分数或对照结果。 第一阶段构建 BrainVAE：将 M/EEG 信号表示为通道×时间的二维输入，用 Conv2d 提取局部时空特征，同时通过 FFT 获得功率谱；随后由 Transformer 的自注意力融合 Conv2d 特征 tokens 与 Frequency Prefix Tokens，显式引入频域先验。潜在空间采用 FSQ 离散化，作者称该机制无需码本及辅助损失，并避免码本坍塌。 第二阶段通过 InfoNCE 对比学习，将量化后的神经潜在空间与 I-JEPA 图像嵌入对齐。第三阶段使用基于 Transformer 的 BrainTokenRegressor，通过交叉注意力从 I-JEPA 图像嵌入预测 FSQ token 序列；训练损失在 token 空间和信号空间中直接对照真实神经响应计算。摘要未给出这些损失的具体形式、权重及各阶段训练细节。 相较于摘要所述将 M/EEG 当作图像处理的扩散模型路线，该方法的主要区别是显式融合频域结构，并在响应预测阶段引入真实神经响应监督。需结合全文核对频域路径、FSQ、对比对齐及双空间监督各自的增益，以及对照方法是否采用一致的数据与评估协议。 目前被试数、预处理、数据划分、被试内或跨被试设置、评价指标、消融及统计信息尚未验证，不能据此判断泛化能力或复现成本。摘要将视觉假体列为应用动机，但未提供电极刺激或临床验证证据，编码效果不等同于视觉假体的实际有效性。

    阅读价值：值得核对其显式频域建模与真实神经响应监督如何共同改善视觉到 M/EEG 的编码，并通过全文确认各阶段的独立贡献及评估协议。

8月20日周四
  1. OpenReview · EEG73

    Ewen：用于 EEG 理解的协变量感知基础模型

    Ewen 针对现有 EEG 基础模型与大语言模型框架主要将语言模型用作闭集文本分类器的问题，引入生理上下文，支持 EEG 解码与自然语言描述。基于摘要分析，核心贡献是将 EEG 及可用的辅助生理信号转化为语言对齐的协变量描述，并将其融入 EEG 表征，同时约束任务学习中的语言漂移。 机制上，Ewen 首先将信号转化为描述化协变量，为神经信号解释提供生理上下文；随后通过 covariate-aware token geometry，将协变量与 EEG tokens 融合，关联生理信息与 EEG 的时间、通道结构。语言骨干通过 language-reference-guided gradient projection 进行适配，以控制任务学习对语言能力的偏移。摘要未说明协变量的具体定义、辅助信号类型、token 几何构造、梯度投影公式及训练流程，这些细节尚未验证。 作者报告，在六个 EEG 基准上的实验改善了闭集词表解码表现；生成评估显示，Ewen 能描述频谱特征、生理关系及时间和空间变化。摘要未提供基准名称、任务、被试规模、被试内或跨被试等划分协议、对照基线、指标和数值，因此尚不能判断收益大小、跨场景泛化能力，或将其与其他方法直接比较。 复现与证据核对重点包括：协变量如何提取及其在推理时的可用性，辅助生理信号不可用时的处理方式，协变量融合与梯度投影各自的贡献，以及生成描述是否与输入信号中的可核验生理特征一致。实验协议、消融及统计信息尚未验证；生成描述的准确性、稳定性和错误风险也需结合全文中的评估方法判断。现有摘要支持将其视为生理上下文增强的 EEG 建模方法，但不足以确认开放式 EEG 理解的可靠程度。

    阅读价值：值得核对其生理协变量与 EEG 时空表征的融合方式，以及控制语言漂移的梯度投影机制，尤其是生成描述的生理依据和评估可靠性；具体效果尚需全文验证。

6月26日周五
  1. OpenReview · EEG70

    用于 EEG-视频 IED 检测的多模态测试时上下文增强

    基于摘要分析。该研究针对 EEG 中发作间期癫痫样放电（IED）候选与非脑源事件所致相似瞬态难以区分的问题，提出以 EEG 为中心的候选排序系统，通过多模态测试时上下文增强，利用同步视频辅助判断 EEG 证据的可靠性并修正排序。 核心机制：系统首先适配 ST-EEGFormer，建立 EEG 参考排序，再利用视频提取的可靠性线索及候选池上下文，在测试时细化候选分数。视频并非早期融合输入，而是用于可靠性评估与排序修正：保留具有一致 EEG 支持的候选，抑制与视频上下文冲突的高分候选，并借助形态和邻域证据恢复排序偏低的候选。其研究重点是如何利用稀疏、间接且与短 EEG 候选窗口仅松散对齐的视频证据，而非简单联合两种模态。 结果：作者报告，在 Track 2（NMM-Context-IED）官方排行榜上，最终提交的 AUPRC 为 0.9871；评估后分析进一步达到 0.9972 AUPRC。两者分别属于官方提交和评估后分析，不能视为同一评估条件下的直接提升。作者还报告，视频上下文冲突证据是最有效的单一上下文视角，但摘要未提供各视角的具体指标或统计不确定性。 复现与证据边界：需核对 ST-EEGFormer 的适配方式、视频线索提取与时间对齐、候选池和邻域定义，以及分数修正规则。数据集组成、被试数、被试内或跨被试划分、基线、完整消融及统计信息尚未验证；评估后分析的配置与数据使用条件也需结合全文确认。该工作支持的是 EEG-视频 IED 候选排序研究，摘要不足以据此判断临床诊断效益或泛化能力。

    阅读价值：值得阅读其将同步视频作为 EEG 候选可靠性证据、而非早期融合信号的测试时排序修正机制，但官方提交与评估后分析的结果需分别核对。

9月20日周六
  1. OpenReview · EEG77

    HEAR：具有异构电极自适应表征的 EEG 基础模型

    基于摘要分析。HEAR 针对 EEG 基础模型难以适配不同设备的电极布局与电极数量这一问题，提出基于坐标的可学习空间嵌入与 spatially-guided transformer，将异构电极映射到统一表征空间并建模电极间的时空依赖。 核心机制是以电极坐标作为空间表征依据，而非仅依赖固定通道配置；统一空间表征随后交由 spatially-guided transformer 处理。其研究价值在于将设备异构性纳入基础模型设计。作者将 HEAR 称为首个明确支持异构 EEG 设备的 EEG 基础模型，该首创性主张尚未独立核实。摘要未提供坐标编码细节、空间引导的具体实现、预训练目标或训练与推理流程。 数据方面，作者报告构建了包含 8,782 小时 EEG 的大规模数据集，覆盖超过 150 种电极布局，电极数量最多达 1,132 个。这些数字描述的是数据集规模与布局覆盖范围，不能据此推断每段记录的通道数、被试数量或各类设备的数据占比。 结果方面，作者报告 HEAR 在支持异构 EEG 设备以及跨认知任务、跨被试泛化方面显著优于现有 EEG 基础模型，但摘要未列出具体任务、对照模型、指标、数值或数据划分，因而暂不能量化优势，也不能判定是否验证了未见布局或跨数据集泛化。 复现与评估应重点核对电极坐标的获取和标准化方式、可变通道输入的处理、训练与测试设备及被试的隔离、不同布局的数据分布，以及空间嵌入和 spatially-guided transformer 的消融。实验协议、消融及统计信息尚未验证；全文、代码、权重和数据开放条件也尚未核实。

    阅读价值：值得阅读的是 HEAR 以电极坐标驱动的统一空间表征处理设备间电极布局与数量差异，但其异构设备泛化优势仍需结合数据划分、基线适配和消融结果核对。

9月19日周五
  1. OpenReview · Representation learning72

    采用空间性保持表征的 EEG 信号自监督学习

    基于摘要分析。该研究针对 EEG 自监督学习中输入电极与表征之间的一一对应关系未被充分保留、可能导致空间信息丢失的问题，提出 Spatiality Preserving Representation（SPR）Learning。其核心贡献是通过 coherence 伪标签预测任务学习空间关系，将 EEG 空间组织信息纳入自监督表征学习。 机制方面，作者将 SPR 与依赖重建或采用独立编码器进行时间预测的方法作对照，主张 coherence 伪标签能够引导模型理解脑信号的拓扑组织。摘要未说明 coherence 的计算方式、伪标签构造、预测对象、损失函数，以及电极—表征对应关系的具体保证机制；这些是判断方法能否真正保留空间信息、而非仅学习相关性模式的关键核对点。 结果方面，作者报告在不同数据集上的微调提升分别为 4.7%、9.7%、1.6% 和 15.6%，并称优于现有先进方法。但摘要未提供数据集名称、下游任务、指标、对照方法或被试内／跨被试等划分协议，也未说明这些百分数是相对提升还是百分点差值，因此不能据此比较不同数据集上的效果。实验协议、消融及统计信息尚未验证。 作者认为所学表征能够捕捉 EEG 的时空动态，并为功能连接分析与自监督表征学习建立联系；摘要尚不足以确认其脑区关系解释能力。复现时需取得全文中的电极布局与预处理要求、伪标签生成流程、预训练和微调设置，并核对空间信息保留的直接证据及对通道配置变化的适用范围；代码与数据可用性尚未验证。

    阅读价值：值得核对其 coherence 伪标签预测如何保持电极与表征的一一对应关系，以及微调收益是否来自空间信息保留；摘要提供了明确的机制方向，但具体实现与评估协议尚未验证。

  2. OpenReview · EEG71

    stLaBraM：采用因子化时空片段嵌入进行自监督学习的可解释 EEG 基础模型

    基于摘要分析。该研究针对 EEG 基础模型在自监督掩码建模中难以兼顾性能与可解释性的问题，提出 stLaBraM，在 patch embedding 模块中引入可解释的空间与时间滤波，以改善 EEG 表征学习，并分析与掩码建模相关的神经源特征。 机制与创新：标题将方法概括为因子化时空片段嵌入，摘要明确的改动集中在空间、时间滤波及其可解释性，而非仅报告下游分类性能。作者将原始 LaBraM 作为对照，讨论自监督预训练的重建损失及 masked language model（MLM）表现。因子化的具体实现、滤波器约束、掩码策略、重建目标和损失形式尚未验证。 结果：作者报告，相较 LaBraM，该方法在自监督预训练中显著降低重建损失，并在标准 EEG 分类基准上取得更好的表现；摘要未提供数据集名称、评价指标、数值、数据划分或被试内、跨被试等协议，因此目前不能判断增益幅度及其适用范围。作者还报告，模型能够提供与自监督掩码建模相关的神经源二阶动力学性质和皮层位置的解释，但这些解释的计算方式、定位依据与验证程序尚未明确。 验证与复现：阅读全文时应重点核对时空滤波如何分解、如何从滤波器得到神经源解释，以及预训练数据、模型规模和下游评估条件是否与 LaBraM 对齐。还需核对重建损失改善与分类增益之间的关系，以及解释结果对被试差异、通道配置和噪声的稳定性。实验协议、消融及统计信息尚未验证，代码、权重和复现条件亦未由所给材料确认；摘要中的临床应用动机不能视为已完成临床验证。

    阅读价值：值得阅读的具体原因是其将可解释的空间与时间滤波引入 EEG 基础模型的 patch embedding，并以 LaBraM 为对照讨论重建与分类表现；性能增益及神经源解释的可靠性仍需全文验证。

  3. OpenReview · Representation learning77

    GLIM：面向混合整数线性规划的可泛化学习表示

    基于摘要分析。该研究针对混合整数线性规划（MILP）的学习方法难以泛化至训练分布之外或不同任务的问题，提出通用嵌入模型 GLIM（Generalizable Learning Representation for MILPs），旨在让不同 MILP 类别和下游任务共享表示。 核心机制是将每个 MILP 实例编码为二部图，通过结合 GNN 模块与 Perceiver-like blocks 的混合架构处理。作者以问题类型与问题规模是相互正交、其交互影响经验求解难度这一观察为动机，学习旨在解耦类型、规模与求解复杂度的联合表示。摘要称训练语料包含约 78,000 个实例，覆盖 2,000 个问题类别；图特征、解耦约束、损失函数、监督信号及训练细节尚未验证。 作者在 MILP Instance Retrieval 与 MILP Solver Hyperparameter Prediction 两项任务上评估表示质量。作者报告，在分布内和分布偏移设置中，包括真实世界 MIPLIB 基准，GLIM 在多数情况下优于强基线，并能迁移至新类别与新规模。摘要未提供具体指标、提升幅度、基线名称或划分方式，因此不能据此量化优势；实验协议、消融及统计信息尚未验证。复现需进一步核对训练语料构成、训练与测试类别及规模的隔离方式，以及两项任务的评价标准。 平台推测（待验证）：其潜在 BCI 关联更偏向优化环节，而非直接处理 EEG。假设电极选择或资源调度能够明确表述为 MILP，GLIM 的实例编码与求解器超参数预测模块可能可复用，但需适配变量、约束与目标的图特征，并核查训练语料是否覆盖相应问题结构。EEG 低信噪比和跨被试变化可能使优化输入不稳定；通道规模变化及少量可用实例也可能削弱迁移。一个可检验的小实验是在固定的电极选择 MILP 集合上，比较 GLIM 预测超参数与默认求解器配置的求解时间及解质量，并单独保留未见通道规模作为测试条件。此为迁移假设，不是论文已验证结果；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其如何将 MILP 的问题类型、规模与求解复杂度纳入可复用表示，并核对分布偏移下实例检索与求解器超参数预测的泛化证据；其对 EEG/BCI 的价值尚未验证。

9月18日周四
  1. OpenReview · State space models72

    Geo-Mamba：用于功能动态的双路径黎曼状态空间模型

    基于摘要分析。该研究针对 fMRI 功能连接（FC）的非欧氏结构建模问题，提出黎曼流形上的 Mamba 变体 Geo-Mamba，以双路径选择性状态空间设计融合多尺度空间信息与紧凑几何表示。研究对象涉及皮层图，以及位于对称正定（SPD）矩阵流形上的相关或协方差表示，旨在缓解常规欧氏序列模型与这些几何结构不匹配的问题。 核心机制包括两条互补路径：stacked path 聚合金字塔式多尺度特征，进行层次化空间建模以捕获局部与全局依赖；embedding path 在适当的流形空间内进行渐进式、几何感知降维，以减少高维 SPD 输入的冗余并保持黎曼约束。两条路径的输出通过定制的 GeoMix 算子融合，形成紧凑且具有判别性的 SPD 表示。摘要未给出状态更新、GeoMix、降维映射及损失函数的具体形式，时间动态如何编码也需查阅全文。 作者报告在 ADNI、OASIS、PPMI、Taowu、Neurocon 和 Mātai 六个公开 fMRI 数据集上进行评估，覆盖 Alzheimer’s、Parkinson’s 队列及具有不同采集协议的多站点正常人群，并获得具有竞争力的 Accuracy 与稳健性表现。摘要未提供具体数值、任务定义、数据划分或对照基线，因此不能据此认定跨站点泛化优势或临床有效性；实验协议、消融及统计信息尚未验证。复现时需核对 FC 构建与 SPD 条件、流形运算、双路径融合实现，以及划分是否隔离被试和站点。 平台推测（待验证）：若 EEG 协方差表示满足 SPD 条件，几何感知降维与状态空间建模可能用于缓解高维冗余及动态建模瓶颈，但这是假设，并非已验证的 BCI 效果。迁移需改造输入构建、多尺度空间关系及时间窗口设置；低信噪比、有限样本下的协方差病态性和跨被试、跨通道差异均可能使收益失效。可在固定 Cross-subject 划分与相同预处理下，对比欧氏模型、单路径及双路径模型，检验几何约束与路径互补是否带来稳定增益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的具体原因是其将多尺度空间建模与几何感知降维结合于双路径状态空间模型，为非欧氏功能连接表示提供了可核对的方法路线，但性能优势与临床转化价值尚需全文验证。

9月17日周三
  1. OpenReview · State space models73

    DyBraSS：基于状态空间模型的动态脑状态建模

    基于摘要分析。该研究针对静息态 fMRI（rs-fMRI）中反复出现的连接模式及其动态转换，提出结构化状态空间模型 DyBraSS，将空间模式与时间动态纳入统一建模框架，旨在改善脑区兴趣区（ROI）层面的建模能力与可解释性。 核心机制是基于聚类的全局聚合模块：在每次局部更新中整合所有脑区的信息，以保留脑网络拓扑，并将随时间演化的脑状态表示为可解释的簇。作者将现有方法的局限概括为未能保留脑空间结构，以及时间建模未考虑共同演化的空间模式。摘要尚未说明拓扑如何编码、聚类如何学习、状态转移与聚合如何耦合，也未提供损失函数、训练及推理细节。 作者报告，在多个 fMRI 数据集的诊断任务上，DyBraSS 在多种指标下持续优于其采用的先进基线；个体与群体层面的脑状态分析也与已知神经生物学改变相符。摘要未给出数据集名称、样本规模、诊断类别、划分协议、基线名称或具体指标数值，因此不能据此判断跨被试或跨数据集泛化能力，也不能将诊断结果视为临床有效性验证。实验协议、消融及统计信息尚未验证；复现还需核对 ROI 定义、预处理、拓扑构建和实现可用性。 平台推测（待验证）：其“局部更新结合全局空间聚合”的机制可能为 EEG 中空间关系与时间动态协同建模提供参考，但这是迁移假设，而非已验证的 BCI 效果。原方法依赖多脑区 rs-fMRI 时序及空间拓扑，训练监督形式与所需数据规模尚不明确；迁移时可考虑复用状态空间建模和聚合思路，但需改造 EEG 通道或源空间节点的拓扑、时间尺度及状态解释。低信噪比、体积传导、跨被试差异、通道变化和小数据可能使聚类捕捉伪迹而非稳定状态。一个可检验的小实验是在固定划分的 EEG 任务中，对比基础 SSM 与加入聚类式全局聚合的版本，核对任务表现及聚类稳定性。相关 EEG 工作尚未检索确认。

    阅读价值：值得关注其通过聚类式全局聚合将 ROI 局部更新与动态脑网络模式联系起来的机制，但诊断优势及脑状态解释的可靠性仍需结合全文实验协议核对。

  2. OpenReview · State space models78

    记忆决定学习方向：状态空间模型中基于梯度的优化理论

    基于摘要分析。本文研究状态空间模型（SSMs）的记忆结构如何影响基于梯度的学习动态，并据此提出初始化及循环权重训练策略。核心贡献是从当前状态对输入时间序列的存储方式出发，分析记忆精度与记忆长度的权衡，将记忆结构与优化方向联系起来。 理论机制：作者提出 structured state space sequence model（S4）与循环权重为对角形式的简化 S4 之间的理论等价性，并分析初始参数的重要性。作者的分析表明，成功学习需要尽可能长的初始记忆，即使这可能降低记忆精度，或使梯度失去 teacher information。该结论的具体假设、等价性的适用范围及 teacher information 的定义，需查阅全文核对，不宜扩展为所有 SSM 的通用规律。 实验与训练策略：作者报告，在需要长记忆的任务上，训练过程中延长记忆较为困难，支持了初始化的重要性；固定循环权重相比更新这些权重，可取得相当或更高的性能，并更快收敛。摘要未提供任务名称、数据规模、划分、指标或具体对照配置，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务依赖较长时间跨度的信息，预设较长记忆并固定循环权重可能减少小数据条件下的优化负担。可复用部分是记忆初始化与权重冻结策略；需改造输入编码、通道处理和记忆时间尺度。其风险是较低的记忆精度放大低信噪比输入的干扰，且跨被试与通道差异可能使固定动态不适配。一个可证伪的小实验是在同一 EEG 任务、固定数据划分与模型规模下，对照长／短初始记忆及固定／可训练循环权重，分别记录任务指标与收敛速度。原研究并未在摘要中提供 EEG 验证，相关 EEG 工作尚未检索确认。

    阅读价值：该研究将 SSM 的初始记忆结构与梯度优化方向联系起来，并提出固定循环权重的可检验训练策略，值得核对其理论适用条件及长记忆任务上的对照实验。

9月16日周二
  1. OpenReview · EEG78

    ELASTIQ：通过语义任务指令与查询实现 EEG–语言对齐

    ELASTIQ 针对 EEG 基础模型难以将语言指令作为表征学习先验、进而统一不同标签与任务的问题，提出结合谱–时域预训练和指令调优的 EEG–语言对齐方法。基于摘要分析，未取得论文全文，其核心贡献是将任务语义指导引入 EEG 表征，使 EEG 嵌入与文本标签嵌入对齐。 预训练阶段采用联合 Spectral–Temporal Reconstruction（STR）模块：频率掩码作为全局频谱扰动，配合两种时间目标，其中随机掩码用于捕捉上下文依赖，因果掩码用于建模序列动态。摘要未披露具体重建目标、损失组合或掩码比例。指令调优阶段采用 Instruction-conditioned Q-Former（IQF），这是基于查询的交叉注意力 Transformer，通过可学习查询将指令嵌入注入 EEG tokens，并与文本标签嵌入对齐。该机制区别于仅学习 EEG 表征的思路，但各模块的独立贡献仍需结合正文消融核对。 作者报告在涵盖运动想象、情绪识别、SSVEP、covert speech 和医疗健康任务的 20 个数据集上进行评估，其中 14 个数据集达到作者所称的最先进表现，并在全部五类任务中获得最佳平均结果。摘要未给出数据集名称、被试数、数据划分、被试内或跨被试等协议、对照方法及具体指标，因此这些结果不能直接用于判断跨被试、跨会话或跨数据集泛化能力。 作者还报告，分析支持显式任务指令作为语义先验，引导 EEG 嵌入形成连贯且具有语言语义基础的空间，并将这一观察称为首次发现；该优先性与证据强度尚未核对。值得进一步检查语义空间分析的量化依据、指令措辞敏感性，以及未见任务或标签条件下的泛化表现。实验协议、消融及统计信息尚未验证。作者表示将发布代码与预训练权重，摘要并未确认其已公开，当前复现条件仍待核实。

    阅读价值：值得核对 STR 预训练与 IQF 指令调优如何实现 EEG–语言对齐，尤其是显式任务指令相较无指令对照是否改善跨任务语义组织与解码表现；具体实验协议及消融尚未验证。

9月15日周一
  1. OpenReview · State space models75

    SF-Mamba：重新思考面向视觉的状态空间模型

    基于摘要分析。该研究针对视觉 Mamba 中单向递归扫描限制图像 patch 非因果交互、多扫描策略引入数据重排开销，以及短 token 序列下计算速度较慢的问题，提出视觉编码器 SF-Mamba，试图同时改善信息交互与计算效率。 核心机制包括两项设计：通过辅助 patch 交换，在单向扫描下编码双向信息流；通过 batch folding 与周期性状态重置，提升 GPU 并行性。摘要未给出 patch 交换规则、batch folding 的具体张量组织、状态重置周期及其对上下文保留的影响，因此这些实现细节尚未验证。其创新重点是重新设计扫描与执行方式，而非仅增加扫描方向。 作者报告，在图像分类、目标检测、实例分割和语义分割实验中，SF-Mamba 相比作者所称的最先进基线取得更好的任务表现，并在不同模型规模下提高吞吐量。摘要未提供数据集、指标数值、基线名称、硬件、batch size 或吞吐量测量条件，无法据此量化收益或判断公平比较；实验协议、消融及统计信息尚未验证。材料称代码将在发表后发布，当前代码可用性与论文发表状态不能由此推定。 平台推测（待验证）：该方法原本依赖图像 patch 序列及 GPU 批处理结构，其扫描效率设计可能为短序列 EEG 编码提供参考，但不构成已验证的 BCI 效果。迁移假设是，辅助 token 交换能够改善 EEG 时间窗或通道 token 的信息交互；需改造 patch/token 构造与交换规则，并检查周期性状态重置是否损失跨窗依赖。低信噪比、跨被试差异、通道排列变化及小数据训练可能削弱收益。可在固定 EEG 数据划分与同一硬件、batch size 下，对照普通单向扫描，分别加入交换和状态重置，比较任务指标与吞吐量；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 SF-Mamba 如何以辅助 patch 交换和周期性状态重置兼顾信息交互与 GPU 吞吐量，但其相对基线的效果及迁移至 EEG 的适用性尚未验证。

9月11日周四
  1. OpenReview · EEG78

    EEG-X：设备无关且噪声鲁棒的 EEG 基础模型

    基于摘要分析。EEG-X 针对记录设备与配置差异导致的跨数据集变化，以及 EEG 低信噪比问题，提出结合通道空间位置编码、噪声感知掩码重建和特征空间重建损失的 EEG 基础模型，旨在学习更具跨域适应性与噪声鲁棒性的表征。 核心机制包括三部分：其一，基于位置的通道嵌入编码空间信息，使模型能够处理不同通道数量、通道组合和记录长度。其二，在原始空间与潜在空间采用噪声感知掩码—重建策略；与重建原始含噪 EEG 的做法不同，重建目标来自伪迹去除后的信号，作者意图借此使表征更关注神经活动而非噪声。其三，dictionary-inspired convolutional transformation（DiCT）层在计算重建 MSE 损失前，将信号投影至结构化特征空间；作者认为该设计可降低噪声敏感性，并捕捉频率与波形形状相关的相似性。具体去伪迹流程、掩码规则、DiCT 实现及各目标的组合方式尚未验证。 作者报告，在来自不同设备的数据集及多个下游 EEG 任务上，EEG-X 优于所比较的现有先进方法，并在预训练与下游数据电极布局不同的跨域设置中表现突出。摘要未提供数据集名称、任务明细、被试数量、划分方式、指标或数值，因此不能据此量化收益，也不能将这里的跨域结果直接等同于跨被试或跨会话性能。 复现时值得核对位置嵌入对通道坐标的依赖、去伪迹处理是否保留任务相关信号，以及各模块在不同设备与电极布局下的独立贡献；这些属于待核对事项，而非已确认的缺陷。摘要提供了模型与代码入口，但其可用性、训练配置、实验协议、消融及统计信息尚未验证。

    阅读价值：值得核对和复现的是 EEG-X 将位置编码、去伪迹重建目标与 DiCT 特征空间损失结合，以应对电极布局差异和低信噪比；作者报告的跨域优势仍需结合完整实验协议验证。

9月6日周六
  1. OpenReview · Representation learning79

    可证明地学习任务相关的世界表征

    基于摘要分析。该研究探讨如何从观测 o = f(s) 中识别任务相关潜在表征，核心贡献是在非参数设定下，分别给出跨时间步任务结构与单个时间步内任务相关表征的可辨识性保证。这里的可辨识性指渐近条件下恢复真实表征的理论保证，不等同于有限数据下的预测性能。 作者报告，第一项理论结果可在完全无监督条件下识别时间步与任务之间的结构，允许序列不具有严格时间依赖、存在断连，以及任务分配具有复杂交错结构。第二项结果表明，借助简单的稀疏正则化，可在每个时间步内将任务相关潜在表征与无关部分解耦，无需额外信息或参数化约束。两项结果构成分层框架：先识别跨时间步的任务结构，再识别步内的任务相关表征。作者将其描述为迈向可证明地从通用模型转向专用模型的一步，并声称据其所知，两项结果各自提供了首个一般非参数可辨识性保证；这些优先性声明尚未独立核对。 摘要未提供定理的完整前提、可辨识性的等价范围、稀疏正则化的具体形式或可实施训练流程。实验协议、消融及统计信息尚未验证，不能据此判断实际恢复精度、样本需求或计算代价。 平台推测（待验证）：假设 EEG 观测中存在可与任务无关活动分离的潜在因素，该分层思路可能对应 EEG 中任务信号与背景活动混杂、跨被试表征不稳定的问题。可借鉴的是结构识别与相关／无关因素分离的理论框架；观测映射、噪声模型、任务结构和稀疏条件则需针对 EEG 核对或改造。低信噪比、被试差异、通道混合及小数据可能使有限样本恢复失效。一个可证伪的小实验是在已知潜在因素与任务结构的合成 EEG 类混合信号上，改变噪声和任务交错程度，比较采用与不采用稀疏正则化时的因素恢复能力；这仅是迁移假设检验，不是已验证的 BCI 效果。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其跨时间步任务结构与步内任务相关表征的分层可辨识性论证，重点核对非参数假设、稀疏正则化条件及可辨识性的等价范围；其对 EEG 表征学习的适用性尚未验证。

4月2日周三
  1. OpenReview · EEG71

    EEG-EyeTrack：面向时间序列与函数型数据分析的基准、开放挑战及基线

    研究面向从 EEG 信号重建眼动的回归问题，提出 EEG-EyeTrack 基准数据集，并为函数型数据分析（Functional Data Analysis，FDA）应用设计开放挑战与评估指标，同时使用 functional neural networks 建立基线。以下基于摘要分析，未取得论文全文。 方法与贡献：该工作的重点是数据与评估框架，而不只是单一预测模型。主要任务是以 EEG 为输入重建眼动，functional neural networks 用于提供这一回归任务的基线。摘要未说明 EEG 与眼动的同步方式、预测目标的具体表示、模型结构、损失函数或训练流程，尚不能判断其如何利用时间序列的函数型结构。 数据与结果：作者报告在采用消费级硬件的新数据集，以及采用研究级硬件的 EEGEyeNet 数据集上给出了基线结果。摘要未提供具体指标名称、数值、被试规模、数据划分或对照模型，因此不能量化性能，也不能据此认定模型具有跨硬件或 Cross-dataset 泛化能力。两类硬件数据上的结果是否采用一致任务和评估协议，需要核对全文。 阅读与复现重点：应核对开放挑战的定义、评估指标如何衡量眼动重建质量、EEG 与眼动标签的对齐及预处理方式，以及被试内、跨被试或跨会话划分是否适用于所报告结果。实验协议、消融及统计信息尚未验证；数据访问条件、基线实现与运行配置也尚未验证。该材料支持将其视为 EEG 眼动重建与 FDA 方法比较的候选基准，但不支持推断其在其他 BCI 任务上的效果。

    阅读价值：值得阅读的具体原因是该研究将 EEG 眼动重建组织为函数型数据分析基准，并提供开放挑战、评估指标及 functional neural networks 基线；其评估协议与跨硬件适用性仍需全文核对。