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。

558 条精选近 30 天 498 条共收录 603 条

更新

精选归档 · 第 26 页

9月8日周二第 501–520 条
  1. 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。

  2. OpenReview · EEG76

    BEAM：审计 EEG 与视觉编码器中的选择特异性差距

    基于摘要分析。该研究针对 EEG–vision 对齐中的表征解释问题，提出 Brain Encoder Audit with Matched Controls（BEAM），检验概念响应坐标的选择，相较等大小随机坐标子集，是否能改善概念识别及对模型预测的干预。核心贡献是把线性解码与下游干预纳入匹配对照审计，区分“包含可解码概念信息”与“选择后对预测产生更大影响”。 方法上，BEAM 在相同激活位置、输入及子集大小下比较概念坐标选择与随机选择，分别衡量线性解码收益和干预收益。这种设计直接考察坐标选择的额外价值，而不只是观察所选坐标能否解码概念。坐标选择准则、具体干预操作、探针训练及随机对照采样方式尚未验证。 作者报告，在 THINGS-EEG2 上审计的 EEG 与视觉设置中存在选择特异性差距：选择坐标对干预的收益大于对解码的收益。在一个代表性的跨被试 EEG 比较中，所选坐标的干预效应为随机对照的 10.74 倍，探针 Accuracy 为随机对照的 1.25 倍；两者均为相对倍数，不能解释为绝对 Accuracy 或百分点提升，且只对应摘要所述比较。 作者还通过 CLIP 案例中的移除–替换不对称性，以及 EEG 中不同子集上的 steering，分析选择价值如何随操作变化，并提出集中性与可恢复性的解释框架。摘要未提供该解释的具体形式，因此尚不能判断其因果证据强度或适用边界。 复现时需核对跨被试划分、激活位置与子集大小的匹配方式、干预效应定义、随机对照的重复采样及不确定性估计，并确认解码与干预结果采用何种汇总口径。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 BEAM 用匹配随机子集对照区分概念信息的可解码性与坐标干预的预测影响，为检验 EEG–vision 表征解释和定向调控是否真正受益于概念坐标选择提供了审计框架。

  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。

9月1日周二
  1. OpenReview · State space models74

    面向点云长度外推的几何感知状态空间建模

    基于摘要分析。该研究针对点云模型在训练与测试输入密度不一致时性能下降的问题，提出 PointLEX-Mamba：将点云密度变化转化为序列化后的 token 长度变化，使模型在短序列上训练后，以固定参数直接处理更长序列，无需测试时对原始点云下采样或针对高密度输入重新训练。 核心机制包括 Geometry-Aware Channel Routing，根据几何信息将 token-channel 特征分配至局部与全局分支；以及 Geo-Score Token Filtering，结合 temporal response、几何显著性和空间多样性筛选关键全局 token。这一设计试图同时处理稠密点云中的邻近冗余、几何关键区域，以及与空间结构相关的 token-channel 交互。摘要未提供具体路由规则、评分公式、状态空间结构或训练目标。 作者报告，在 ModelNet40 和 ScanObjectNN 上，随着输入密度和序列化长度增加，PointLEX-Mamba 相比基线与直接迁移方法降低了 Accuracy 衰减；作者报告消融支持两个模块的互补贡献。摘要未给出具体分数、训练与测试点数、序列化方式、数据划分或基线名称，实验协议、消融及统计信息尚未验证。复现需核对上述条件，尤其是序列排序与几何特征构造如何影响长度外推；代码与权重可用性尚未验证。 平台推测（待验证）：迁移假设是，局部/全局路由及冗余 token 筛选可能用于 EEG 长记录建模，但原方法依赖三维点云几何、空间邻近关系和序列化结构，其监督设置与规模尚不明确。EEG 应将几何显著性改造为电极空间关系与时间事件相关性，并重新定义 token 和筛选评分；低信噪比可能使关键瞬态被误删，跨被试差异、通道布局变化及小数据也可能使路由不稳定。一个可检验的小实验是在固定通道和同一任务下，仅用短 EEG 窗训练，再测试更长窗口，比较原始状态空间基线、路由模块和筛选模块的任务指标及事件保留情况，以检验是否真正改善长度外推。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其将点云密度变化转化为序列长度外推、并结合几何感知路由与关键 token 筛选的机制，但具体收益及向 EEG 长序列建模迁移的可行性尚未验证。

8月30日周日
  1. OpenReview · EEG75

    DLink：从 EEG 基础模型中蒸馏逐层与主导知识

    基于摘要分析。该研究针对 EEG 基础模型（EFMs）推理开销较大、固定教师表征蒸馏可能未充分利用中间层任务信息的问题，提出 DLink（Distilling Layer-wise and Dominant Knowledge），通过输入条件化层路由与频谱引导蒸馏，将教师知识迁移到紧凑学生模型。 核心机制：路由器针对每个输入聚合教师模型不同层的表征，而非仅采用固定层作为蒸馏目标；随后对齐表征的幅度谱与相位谱，以缓解压缩引起的频谱失真。学生采用 project-then-compress 设计来吸收聚合后的教师知识。教师与路由器仅在训练阶段使用，因此无需作为学生推理时的组件。具体投影与压缩结构、频谱计算方式、对齐损失及其权重尚未验证。 作者报告，经验分析显示轻量模型虽具有竞争力，但表现高度依赖任务；具有任务判别力的信息分布在 EFM 的中间层，而非集中于最终层。这构成了动态层聚合的动机，但其适用范围仍需结合正文中的教师模型、任务与分析方法核对。 作者报告，在六个 EEG 基准上的实验中，DLink 改善了紧凑学生模型的表现，并保持轻量推理；进一步分析支持学习式层聚合与频谱蒸馏。摘要未提供基准名称、任务、被试数量、被试内或跨被试等评估协议、具体指标、对照基线及计算成本，无法据此量化收益或比较不同协议的结果。实验协议、消融及统计信息尚未验证。 复现时需核对教师与学生配置、路由器训练方式、project-then-compress 的实现、频谱对齐所在的表征空间，以及固定层蒸馏和其他压缩方法的对照设置。轻量推理不等于低训练成本，实际部署价值还需由学生参数量、计算量、延迟和性能共同验证；代码与权重可用性尚未验证。

    阅读价值：值得核对其输入条件化教师层聚合与幅度、相位频谱蒸馏能否稳定提升紧凑 EEG 模型，尤其是相对固定层蒸馏的收益及训练成本；摘要尚不足以验证具体效果。

8月20日周四
  1. OpenReview · State space models74

    MambaVF：用于高效视频融合的状态空间模型

    基于摘要分析。MambaVF 研究如何融合多个源视频的互补信息，同时保持时间一致性；核心贡献是以状态空间模型（SSM）进行时序建模，替代依赖光流估计与特征扭曲的处理路径，以降低计算和内存开销。 方法将视频融合表述为顺序状态更新过程，借助 SSM 捕获长程时间依赖，作者称其具有线性复杂度。轻量级 SSM 融合模块不采用传统光流引导对齐，而通过互状态融合模块与时空双向扫描机制聚合不同视频流的信息。摘要未给出状态更新方程、扫描顺序、损失函数或训练细节，不能据此判断隐式对应关系的学习方式及其对快速运动的鲁棒性。 作者报告，在涉及多曝光、多焦点、红外—可见光及医学视频融合的多个基准上，MambaVF 达到作者所称的 SOTA 表现，并相对摘要未具名的对照减少超过 90% 的参数、超过 80% 的 FLOPs，运行时间缩短超过 50%。这些结果的具体数据集、评价指标、划分、基线，以及输入分辨率、序列长度和计时硬件尚未验证，因此不能据此作跨协议性能比较。摘要表示代码将发布，当前材料不能确认其已公开；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其顺序状态更新与跨流融合机制可能用于 EEG 多模态时序融合，但这是迁移假设，并非已验证的 BCI 结果。原方法依赖具有空间结构和时间连续性的多源视频；迁移时可考虑复用状态更新与融合思路，需改造视频空间扫描及输入表示，以适配 EEG 通道布局、采样率和模态时间同步。低信噪比、通道缺失、跨被试差异与小样本可能使融合状态累积噪声。一个可检验的小实验是在固定跨被试划分和相同训练预算下，比较单流 SSM、简单跨流融合与互状态融合的任务指标及推理开销。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其互状态融合与时空双向扫描如何在不显式估计运动的条件下维持视频时间一致性，以及效率收益是否在统一分辨率、序列长度和硬件条件下成立。

  2. 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 learning74

    跨时期的古希腊字形表征学习

    基于摘要分析。该研究针对古希腊手稿中字形随世纪演变、样本稀缺及材料退化导致的表征不稳定问题，提出三个字形数据集，并结合人类感知混淆程度与手稿损坏模拟，学习兼顾识别和历时分析的表征。 数据与机制：Hell-Char 是覆盖公元前3至1世纪的整理训练集；PaLit-Char 与 Med-Char 是分别覆盖公元1至5世纪、公元9至14世纪的评估集。方法包括相似度加权的监督式对比损失，以人类感知的字形易混淆程度引导嵌入，以及 lacuna-driven augmentation，用于模拟真实手稿中的缺损。摘要未给出相似度来源、权重计算、损失公式或增强参数，尚不能判断其具体实现与敏感性。 结果与用途：作者报告，采用上述策略训练的轻量 CNN 和预训练 ResNet 获得了较强识别表现，且嵌入相比 PCA 或通用预训练模型能更连贯地区分字符类别；这些嵌入还支持聚类、风格子群识别和原型图像构建，用于呈现字形的历时演变与过渡形态。摘要未提供指标数值、样本量、具体划分或逐评估集结果，因此不能量化跨时期收益。实验协议、消融及统计信息尚未验证，识别提升与可解释性改善是否来自同一机制也需核对全文。 平台推测（待验证）：可迁移的假设是，把领域相关的类别混淆先验和真实损坏机制纳入训练，可能帮助缓解 EEG 小样本、低信噪比及跨会话漂移。原方法依赖带类别标签的字形图像、感知相似度及手稿缺损模型；迁移时可考虑复用对比学习目标，但必须重新定义 EEG 的类别相似度，并将图像缺损增强改为符合信号机制的通道缺失或时间片段扰动。错误的混淆先验可能压缩可分信息，过强增强也可能破坏任务相关信号；被试差异与通道布局变化不等同于字形演变。 可检验的小实验：在固定 Cross-session 划分下，比较基础监督式对比学习、仅加混淆权重、仅加领域增强及两者结合，保持编码器与训练预算一致，检验预先选定的分类指标及不同噪声条件下的稳定性。该方案仅为迁移假设，已有 EEG 相关工作尚未检索确认。复现仍需核对数据获取方式、先验构建过程、增强实现与训练配置。

    阅读价值：值得核对相似度加权监督式对比损失与领域损坏增强如何分别改善跨时期表征；其对稀缺、噪声数据的机制具有参考价值，但迁移至 EEG 的有效性尚未验证。

  2. OpenReview · Representation learning72

    通过特征保持微调在持续学习中保持表征

    基于摘要分析。本文研究预训练基础模型在无法访问历史数据、任务依次到达的持续学习场景中，如何避免微调造成的表征退化。研究比较已有特征保持微调方法，并提出两阶段策略 PEFT+Cons，将参数高效微调（PEFT）与任务特定知识巩固结合，以平衡稳定性与可塑性。 方法与对照：作者使用一个大规模预训练基础模型，系统评估 L2-SP、FTP、WiseFT 和 ImpReg，并比较全量微调（FullFT）与 PEFT。摘要明确了 PEFT+Cons 的两阶段思路，但未说明所用基础模型、PEFT 的具体形式、知识巩固操作、损失函数及阶段衔接方式，这些细节尚未验证。 结果与证据边界：在 CIFAR-100 和 ImageNet-R 的持续学习基准实验中，作者报告 PEFT+Cons 能有效防止表征遗忘，同时增强任务特定知识的保留。摘要未提供数值指标、任务序列与数据划分，也未界定表征遗忘和知识保留的测量方式，因此目前不能量化收益或判断不同方法之间的差异。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可检验的迁移假设是，限制参数更新并巩固新任务知识，可能缓解 EEG 模型在跨会话顺序适应时对既有表征的破坏。原问题依赖大规模预训练模型和顺序任务数据；可借鉴两阶段适应框架，但需要按 EEG 输入结构、任务边界和标签可用性改造 PEFT 与巩固模块。低信噪比、通道变化、被试差异及小数据可能使模型保留不适用的旧特征，或使巩固过程固化噪声。取得实现细节后，可在固定通道、单被试多会话数据上按会话顺序适应，遵守不访问历史训练数据的约束，比较 FullFT、PEFT 与 PEFT+Cons 的新会话表现和旧会话性能变化。该迁移尚未验证，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是对多种特征保持微调方法在持续学习中的系统比较，以及 PEFT+Cons 对表征稳定性与任务适应性的协调机制；其具体收益与复现条件仍需核对全文。

  3. 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。

  4. OpenReview · Representation learning73

    SPAR：面向分布式感知的自监督布设感知表征学习

    基于摘要分析。SPAR 研究分布式感知中信号与传感器布设相互依赖的问题，通过空间与结构位置嵌入及双重重建目标，将布设信息作为表征学习的内在组成，而非辅助元数据。 核心机制：作者以信号与位置的对偶关系为原则，显式建模观测位置与观测信号如何相互塑造。摘要将现有预训练方法概括为大多不感知布设，并称 SPAR 获得信息论与 occlusion-invariant learning 分析的理论支持；具体重建对象、损失形式、位置编码方式及理论成立条件尚未验证。 结果与证据边界：作者报告，在三个真实世界数据集上，SPAR 跨不同模态、布设和下游任务表现出更好的鲁棒性与泛化能力。摘要未提供数据集名称、划分方式、对照基线或数值指标，因此不能判断增益大小，也不能直接映射为 EEG 的跨被试或跨会话效果。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，若 EEG 电极位置及通道组织关系能被可靠表达，布设感知机制可能有助于应对通道布局变化。可考虑复用位置嵌入与双重重建思路，但需改造电极坐标表达、通道关系定义及信号重建目标；原方法对数据规模、多模态配对和空间结构可得性的依赖尚不明确。EEG 的低信噪比、参考方式差异、跨被试解剖差异及小数据条件可能使位置编码学习到设备特征，而非可迁移的任务信息。一个可检验的小实验是在固定被试划分与训练数据量下，对比布设感知和不使用位置信息的预训练方案，评估保留通道布局变化条件下的下游表现，并核对位置打乱后的变化。相关 EEG 工作尚未检索确认。

    阅读价值：SPAR 将传感器空间位置与结构角色纳入自监督表征学习，值得核对其双重重建机制及布设变化下的评估协议；对 EEG 通道布局变化的迁移价值尚未验证。

  5. 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。

  6. 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。