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 27 页

9月16日周二第 521–540 条
  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 · Representation learning79

    具有理论保证的等变推断表示学习

    基于摘要分析。该研究针对回归、条件概率估计与不确定性量化中如何利用物理或几何对称性的问题，提出一个等变表示学习框架，将上述任务与非渐近统计学习保证纳入统一方法。作者声称，这类保证具有首次性，但具体适用范围及与已有理论的区别尚未核对。 核心机制：框架以算子理论和群表示理论为基础，近似条件期望算子的谱分解，构建具有等变性、并沿独立对称商群解耦的表示。其价值在于不只把对称性作为模型结构约束，还尝试连接表示构建与统计误差保证。摘要未提供谱近似的具体实现、训练目标、推理流程或理论假设，因此尚不能判断保证对群结构、样本规模与数据分布的依赖。 结果与证据：在合成数据集和真实机器人应用的评估中，作者报告，回归表现达到或超过已有等变基线，并能提供校准良好的参数化不确定性估计。摘要未列出数据集名称、划分、基线、指标或数值；实验协议、消融及统计信息尚未验证，不宜据此认定普遍优于现有方法。 平台推测（待验证）：迁移假设是，若 EEG 任务存在可明确描述且保留任务语义的对称变换，等变表示可能有助于缓解小样本泛化与不确定性估计问题。可尝试复用群约束及谱表示思路，但需改造输入变换、输出等变关系和算子估计，使其适配通道布局与信号特征；原方法所需监督形式和数据规模尚未验证。低信噪比、跨被试差异、通道缺失及小数据下的谱估计不稳定，都可能使这一假设失效。一个可检验的小实验是在固定 EEG 数据划分和相同训练预算下，对有明确语义依据的对称变换比较等变模型与非等变对照，分别评估任务性能及不确定性校准。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其如何将条件期望算子的谱分解、等变表示与非渐近统计保证统一起来，以及不确定性校准的评估条件；其对 EEG/BCI 的适用性尚未验证。

  2. 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。

10月16日周三
  1. OpenReview · State space models71

    SSMLoRA：利用状态空间模型增强低秩适配

    基于摘要分析。SSMLoRA 针对语言模型参数高效微调中 LoRA 对插入位置敏感、部分插入可能冗余的问题，引入状态空间模型（SSM）连接低秩矩阵，旨在通过复用先前低秩空间的计算，在更稀疏的插入配置下维持任务性能。 机制上，标准 LoRA 向预训练权重矩阵引入低秩适配参数；SSMLoRA 在输入映射至低秩空间之外，进一步利用先前低秩空间的计算。其主要研究价值是检验适配模块之间的信息传递能否降低对插入密度的依赖。摘要未说明 SSM 的具体状态更新、连接顺序、插入策略、训练损失或基础语言模型，相关实现尚未验证。 作者报告，在 GLUE 基准上，SSMLoRA 使用 LoRA 一半的参数获得可比性能；摘要未提供具体分数、任务级结果、参数统计口径及训练和评估划分，不能据此判断所有任务均保持性能。作者还认为其结构有望处理更长输入序列，但摘要未给出相应长序列实验结果。实验协议、消融及统计信息尚未验证，复现前需核对插入数量、低秩维度、SSM 开销与对照配置。 平台推测（待验证）：假设 EEG 预训练模型具有多个可插入适配模块的位置，跨模块复用低秩计算可能帮助降低下游微调参数量，但语言理解结果不等于 EEG/BCI 有效。可复用的是低秩适配与 SSM 连接思路，需改造的是适配位置、输入表示及状态传递方式；摘要并未确定这种状态传递是否对应时间维度。低信噪比、跨被试分布差异、通道变化和小样本可能使共享状态传播无关信息。一个可证伪的小实验是在同一 EEG 预训练模型与固定 Cross-subject 划分下，对比标准 LoRA、稀疏 LoRA 与 SSMLoRA，在匹配适配参数预算时检验任务性能及稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其通过 SSM 连接低秩适配计算、减少 LoRA 插入位置的机制，以及作者报告的 GLUE 性能与适配参数量权衡；其长序列优势尚待具体实验验证。

9月28日周六
  1. OpenReview · EEG72

    从静息到行动：利用 HyperNetworks 根据静息态 EEG 自适应生成运动想象分类权重

    基于摘要分析。该研究针对 EEG-BCI 运动想象（MI）分类需要较长用户校准、静息态 EEG 中的个体信息未被充分利用的问题，提出 HyperEEGNet：将 HyperNetworks（HNs）与 EEGNet 结合，根据静息态 EEG 自适应生成 MI 分类所用权重，探索被试内、跨被试及跨会话泛化。 核心机制是把静息态 EEG 作为生成分类器权重的依据，而非仅依赖目标用户的 MI 数据训练固定分类器。摘要未说明静息态输入的表示方式、生成哪些权重、HNs 与 EEGNet 的具体连接、损失函数或训练与推理流程，因此尚不能判断新用户适配需要多少静息态记录、是否需要 MI 标签，以及校准时间是否实际缩短。 作者报告，在包含 9 名参与者的数据集上，Leave-Subject-Out 评估中的表现与基线 EEGNet 相近；在扩展至 33 名参与者的数据规模后，模型利用静息态 EEG 信息展示了面向未见被试的泛化能力。作者还报告模型能够在跨会话与跨用户场景学习稳健表示，但摘要未给出数据集名称、具体划分、评价指标、性能数值或统计不确定性，不能量化相对基线的收益，也不能直接比较不同协议的结果。 作者将较小模型占用与降低边缘计算的内存、存储需求联系起来，并提出加快用户校准的应用前景；具体资源测量和校准收益尚未验证。复现时需核对静息态与 MI 数据的配对方式、会话关系、未见被试适配流程及基线的可用数据条件。实验协议、消融及统计信息尚未验证，尤其需确认性能变化来自静息态个体信息、权重生成机制还是训练数据规模变化。

    阅读价值：值得核对其以静息态 EEG 驱动 HyperNetworks 生成 MI 分类器权重的个体适配机制，尤其是未见被试泛化与减少校准需求的证据，但具体性能和资源收益尚未验证。

  2. OpenReview · Representation learning73

    面向稳健因果表征学习的预训练语言模型微调

    基于摘要分析。该研究针对预训练语言模型（PLMs）微调后依赖非因果、虚假特征而难以泛化到域外（OOD）数据的问题，提出在单域场景下结合微调表征与因果前门调整，学习更稳健的表征。其核心贡献是建立微调、数据增强与因果机制之间的联系，以支持域泛化。 机制方面，摘要明确指出方法依赖一项 decomposition（分解）假设，并将微调得到的表征作为数据增强来源，通过 causal front-door adjustment（因果前门调整）构建稳健表征。作者将这一思路与依赖较强无隐藏共同原因假设的调整方法，以及依赖多域数据抑制虚假特征的方法区分开来。但分解对象、因果变量关系、前门调整的具体实现、训练目标及推理流程尚未验证；“较温和假设”是作者对适用条件的描述，仍需结合正文核对。 作者报告，在合成与真实场景的实验中，该方法相较现有方法具有更好的泛化能力。摘要未提供数据集、任务、模型规模、划分方式、对照基线或指标数值，实验协议、消融及统计信息尚未验证，不能据此判断优势幅度或适用范围。 平台推测（待验证）：这一机制可能为 EEG 中抑制被试或采集环境相关的虚假特征提供思路，但语言表征上的有效性不等于 EEG/BCI 有效。可探索复用表征增强与因果调整框架，需改造 EEG 编码器、增强方式及变量分解定义，并确认单域监督条件下相关假设是否成立；低信噪比、通道变化、小样本及跨被试差异可能使增强保留混杂因素，或破坏任务相关信息。一个可证伪的小实验是在固定被试内训练、跨会话测试的 EEG 分类协议下，比较普通微调、仅表征增强及加入因果调整的版本，检查域外收益是否稳定。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其如何在单域监督数据下，以微调表征作为数据增强来源并结合因果前门调整构建稳健表征，尤其是分解假设的适用条件与域外泛化的验证协议。

  3. OpenReview · Representation learning70

    用于时间序列表征的动态对比学习

    基于摘要分析。该研究针对时间序列事件分析中人工标注成本高的问题，提出无监督表征学习框架 dynamic contrastive learning（DynaCL），以时间上相邻的步骤定义正样本对，旨在学习可供后续少量标注分类或检测任务使用的嵌入。 核心机制是采用 N-pair loss，在批次内动态将样本作为正样本或负样本参与对比学习，以简化复杂的正样本采样。摘要未说明动态判定规则、邻接范围、编码器结构及具体损失实现，这些细节尚未验证。 作者报告，DynaCL 在多种公开时间序列数据集上形成清晰且具有语义意义的簇，并取得更好的下游任务表现；摘要未给出数据集名称、数据划分、对照基线或指标数值，因此无法判断提升幅度与适用范围。作者还报告，无监督聚类指标得分高并不保证表征对下游任务有用，提示评估时需区分聚类结构与实际任务效用。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移至 EEG 的假设是，局部相邻片段往往共享任务状态，因而可用时间邻接监督缓解标注稀缺。可尝试复用对比学习目标与配对逻辑，但需改造 EEG 分段、通道处理及邻接窗口，并核对批次中正负关系的定义。低信噪比、状态切换、跨被试差异、通道不一致及小数据条件可能使相邻片段不再语义一致，或使表征偏向伪迹与被试特征。一个可证伪的小实验是在固定被试内划分和标注预算下，比较 DynaCL 与相同编码器的非对比学习基线，改变邻接窗口，同时观察聚类指标与下游分类指标是否一致；训练与测试片段应按划分隔离。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 DynaCL 如何通过时间邻接与 N-pair loss 简化正样本构造，以及作者报告的聚类指标与下游任务效用不一致现象；其对 EEG 的适用性尚未验证。

  4. OpenReview · Representation learning72

    Fed-REACT：面向异质时间序列数据的联邦表征学习

    基于摘要分析。该研究针对联邦学习中客户端数据分布随时间及客户端而变化、进而影响常规联邦算法性能的问题，提出 Fed-REACT，将表征学习与 evolutionary clustering（演化聚类）结合，用于异质时间序列上的本地下游任务。 方法分为两个阶段：首先，客户端学习从本地时间序列提取有意义特征的模型；随后，服务器自适应地将客户端分组，并协调各簇内任务模型的学习，支持分类或回归等表征提取之后的下游任务。其机制重点在于将表征提取与簇级任务学习分开，而不是仅依赖单一全局任务模型。聚类依据、随时间更新的规则、表征模型是否共享以及具体训练目标尚未验证。 作者报告，在真实世界时间序列数据集上的实验中，该算法具有较高准确率和鲁棒性，并提供了性能理论分析。摘要未给出数据集名称、任务划分、对照基线、指标数值或理论成立条件，因此无法量化优势，也无法判断其在不同异质性条件下的稳定程度。实验协议、消融及统计信息尚未验证；复现还需核对客户端构建方式、通信与计算开销及实现可得性。 平台推测（待验证）：假设 EEG 客户端存在可聚类的任务相关分布结构，簇级学习可能缓解跨被试或跨会话差异导致的负迁移；但原领域有效不等于 BCI 有效。可考虑复用客户端分组与簇级协调机制，表征提取器和聚类特征则需适配 EEG 通道与时序结构。低信噪比、通道不一致及单客户端小数据可能使聚类主要反映噪声或采集差异。一个可证伪的小实验是在固定跨被试划分、监督信息和通信预算下，对比单一全局联邦模型、固定聚类与自适应聚类，检验簇级学习是否稳定改善被试级表现；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其表征学习与自适应客户端聚类如何应对时间序列的跨客户端及时间变化异质性，但摘要尚不足以确认性能增益或 EEG 适用性。

  5. OpenReview · Representation learning78

    强化学习中的在线 Laplacian 表示学习

    基于摘要分析。本文研究强化学习中能否在策略更新的同时，在线学习具有理论保证的 Laplacian 表示。作者提出 Asymmetric Graph Drawing Objective（AGDO），并分析在该目标上运行在线投影梯度下降的收敛性质，将图表示学习与持续变化的策略学习过程联系起来。 核心机制是利用底层状态转移图的 Laplacian 矩阵特征向量，将原始状态感知观测编码为有意义的特征。区别于将表示视为固定模块，本文关注策略与图表示同时更新的情形。作者报告，在温和假设及策略学习算法引起的策略漂移有界条件下，在线投影梯度下降具有遍历意义下的收敛性；这不应直接解读为任意策略更新下都能收敛，或每一步表示均收敛。AGDO 的具体形式、投影约束、漂移定义及收敛度量尚未验证。 作者报告，仿真研究支持收敛至真实 Laplacian 表示的理论保证，并讨论不同强化学习算法与在线表示学习的兼容性。摘要未提供环境名称、数据规模、对照基线或量化结果，实验协议、消融及统计信息尚未验证，也无法据此判断样本效率或跨任务泛化的实际增益。 平台推测（待验证）：其潜在 EEG/BCI 关联在于为持续变化的闭环交互状态学习图谱表示，但这是一项迁移假设，而非本文已验证的效果。可复用部分是图谱表示目标与在线更新框架；需改造的部分包括 EEG 状态编码、转移图构建及策略漂移控制。原方法依赖状态转移结构，不能将一般 EEG 时间邻接直接等同于强化学习转移图；低信噪比、跨被试与通道差异、小数据下的图估计误差都可能破坏所需条件。一个小规模检验可在固定被试与通道的闭环任务中，对比冻结表示与 AGDO 在线更新，并控制策略变化幅度，观察表示稳定性及任务表现是否随漂移增大而恶化。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读之处在于作者将策略持续更新引起的表示学习目标变化纳入收敛分析，以策略漂移有界为条件讨论在线 Laplacian 表示学习的可行性；具体假设与仿真协议尚待全文核对。

  6. OpenReview · Representation learning71

    策略优化从带噪表征学习中涌现

    研究探讨表征学习网络如何在学习世界表征的同时形成行动策略，提出利用奖励依赖噪声促进策略优化的框架。基于摘要分析，未取得论文全文。 核心机制是让噪声依赖奖励，使表征学习与任务策略优化发生关联。摘要描述网络在提取规范性特征（normative features）与任务相关信息之间取得平衡，但未说明这些特征的操作性定义、噪声注入位置、奖励与噪声的映射关系，以及训练目标和更新规则，因此不能将其直接等同于某种既有强化学习算法。 作者报告，网络的表征变化能够复现若干实验观察到的、随任务学习发生的神经编码变化，并据此提出一种具有生物学合理性的策略优化机制。摘要未列出具体任务、神经记录数据、对照方法或量化指标，尚不能判断复现的覆盖范围与解释力度；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若奖励依赖噪声确实能调节任务相关表征，该机制可能为带反馈的 EEG/BCI 表征学习提供研究假设，但原问题涉及神经系统的学习机制，并不等同于 EEG 解码。迁移需要明确反馈奖励来源、噪声施加模块及任务监督方式；低信噪比、奖励延迟、跨被试差异和小数据可能使额外噪声破坏而非改善表征。一个可检验的小实验是，在固定 EEG 数据划分、编码器和训练预算下，比较无噪声、奖励无关噪声与奖励依赖噪声，检查后者是否带来可重复的解码收益。该实验属于平台提出的迁移检验，不是论文已报告结果；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奖励依赖噪声与表征学习中的策略优化联系起来，并尝试解释任务学习中的神经编码变化；机制细节及其对 EEG/BCI 的适用性尚未验证。

  7. OpenReview · Representation learning75

    ToRL：从图像中学习物体形变的拓扑保持表征

    基于摘要分析。ToRL 研究如何从图像学习物体形变表征，同时保留物体的几何与拓扑结构，以补充主要关注强度、纹理等视觉特征的表征学习方法。其核心贡献是在潜在特征空间中学习变换群，并在解码器各层集成平滑复合模块，以约束形变过程中的拓扑保持。 机制与对照：作者提出利用学习到的潜在空间变换群描述物体形变，并称平滑复合模块能够在学习过程中保持拓扑性质。与部分推理时需要参考图像来预测形变的相关方法不同，ToRL 据摘要不依赖这一输入。变换群的具体参数化、平滑复合的数学定义、拓扑保持所需条件、损失与训练流程尚未验证，不能仅凭摘要将其视为无条件保证。 实验与证据：作者报告在合成 2D 图像、真实 3D 脑 MRI、真实 3D 肾上腺 CT 形状及真实 2D 面部表情图像上开展多类别分类实验，并报告优于所比较的先进方法。摘要未提供具体数据集名称、样本量、划分方式、指标数值或基线配置，实验协议、消融及统计信息尚未验证；分类表现与拓扑一致性之间的对应关系也需核对全文。作者提供了代码链接，但实现、环境及复现完整性尚未验证。 平台推测（待验证）：这一机制依赖可解释的空间对象及形变结构，可能启发 EEG 表征中的结构约束，但不能直接等同于 EEG/BCI 方法。假设在头皮空间特征图上引入拓扑保持变换，或可约束形变增强；可复用的是潜在变换与平滑复合思路，需要改造的是通道坐标表示和形变的生理合理性约束。低信噪比、跨被试差异、通道缺失及小数据可能使约束保留噪声，或抑制与任务相关的变化。一个可证伪的小实验是在固定跨被试划分和相同骨干下，对比有无该约束的模型，同时检查分类指标与结构保持程度，避免仅凭分类提升推断拓扑有效性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 ToRL 如何通过潜在空间变换群与解码器平滑复合模块保持拓扑，以及不依赖参考图像的推理设计；其分类收益与拓扑保持条件尚需全文验证。

  8. OpenReview · Representation learning70

    语言引导的表征学习

    基于摘要分析。该研究探讨如何利用语言中的高层抽象指导表征学习，以应对深度神经网络的捷径学习、纹理偏置、噪声敏感性与灾难性遗忘等问题。核心贡献是探索 Explicit Language Guidance 与 Implicit Language Guidance 两类语言指导，并考察其对视觉编码器的监督作用。 机制上，Explicit Language Guidance 向模型引入直接、可用语言表达的见解；Implicit Language Guidance 提供更直觉化、间接的线索。摘要称这些方法仅在文本上训练，却能够为视觉编码器提供监督，但未说明文本训练的具体对象、语言信息与视觉表征的连接方式、损失函数或训练流程，相关实现尚未验证。 作者报告，经验分析显示上述方法改善了泛化、鲁棒性及持续学习中的任务适应性。摘要未提供数据集、数据划分、对照基线、指标或数值，因此尚不能判断各类指导的独立贡献、收益幅度及适用范围；实验协议、消融及统计信息尚未验证。复现需进一步核对文本来源、监督构造、视觉编码器设置以及持续学习任务序列。 平台推测（待验证）：若语言指导能将任务相关的高层概念转化为编码器可利用的监督，它可能为 EEG 表征学习中的捷径依赖和跨被试泛化提供研究思路。该假设依赖语言概念与 EEG 任务之间存在可靠对应关系；可借鉴的是语言指导框架，需改造的是信号编码器及语言与信号的对齐接口。低信噪比、被试差异、通道配置变化和小样本可能使这种对应失效。一个可检验的小实验是在固定 Cross-subject 划分和相同 EEG 编码器下，比较无语言指导、真实任务描述指导与打乱描述指导，观察收益是否依赖正确的语言语义。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读以核对文本训练所形成的语言指导如何监督视觉编码器，以及显式与隐式指导对泛化、鲁棒性和持续学习适应性的具体贡献；其对 EEG 的迁移价值尚未验证。

9月27日周五
  1. OpenReview · EEG74

    EEGMamba：结合混合专家的双向状态空间模型用于 EEG 多任务分类

    基于摘要分析。该研究针对 EEG 分类中长序列建模的计算开销，以及不同任务之间信号长度、通道数不一致带来的适配问题，提出 EEGMamba，将 Spatio-Temporal-Adaptive（ST-Adaptive）模块、双向 Mamba 和 Mixture of Experts（MoE）整合为多任务分类框架。 机制上，ST-Adaptive 通过空间自适应卷积对不同长度与通道数的 EEG 进行统一特征提取，并引入 class token 实现时间维度适配；双向 Mamba 用于进一步提取 EEG 特征，旨在兼顾长序列处理的分类表现、推理速度与内存使用；任务感知 MoE 配置通用专家，以建模不同 EEG 任务之间的差异与共性。摘要未提供这些模块的具体结构、专家路由方式、损失函数或多任务训练流程，相关细节尚未验证。 作者报告在八个公开 EEG 数据集上开展评估，覆盖癫痫发作检测、情绪识别、睡眠分期分类和运动想象四类任务，并报告具有性能优势；但摘要未列出数据集名称、被试数、数据划分、对照基线或具体指标，因此尚不能判断优势对应被试内、跨被试、跨会话还是跨数据集协议，也不能将多任务学习直接等同于对未见任务的泛化。作者将其称为首个真正实现 EEG 多任务学习的通用分类网络，该优先性主张尚未检索确认。 复现时需核对不同任务是否联合训练、任务信息如何用于 MoE 路由、通道与长度适配的实现，以及各模块的消融结果；推理速度和内存优势还需结合硬件、输入长度及比较基线核验。实验协议、消融及统计信息尚未验证。材料仅表示代码计划近期发布，不能据此确认代码或预训练权重已公开。

    阅读价值：值得阅读的是 EEGMamba 将长度与通道适配、双向状态空间建模及任务感知专家机制组合用于 EEG 多任务分类，但其多任务训练协议、性能优势和计算效率仍需全文核对。

  2. OpenReview · State space models75

    MatMamba：一种 Matryoshka 状态空间模型

    基于摘要分析。MatMamba 研究如何让单个状态空间模型适应不同推理计算预算，将 Matryoshka 式学习与 Mamba2 结合，通过修改模型块以包含嵌套维度，实现不同规模子模型的联合训练与自适应推理。 核心机制是从一个训练完成的大模型中提取多个较小的嵌套子模型，而非为每种部署规模分别训练模型。摘要将其与 Matryoshka Representation Learning 及其在 Transformer 骨干上的应用 MatFormer 联系起来；具体维度嵌套方式、训练目标、子模型采样策略和推理规模选择规则尚未验证。 作者报告，在参数规模为 35M 至 1.4B 的语言与图像模型实验中，嵌套小模型能够保持或超过从头训练的小模型基线的性能。作者还报告，ImageNet 和 FineWeb 上的结果显示 MatMamba 具有与 Transformers 相近的扩展表现，并具备更高效的推理特性。摘要未提供具体指标、计算预算、硬件、数据划分或延迟数值，因此不能量化性能收益或推理加速；实验协议、消融及统计信息尚未验证。“免费”获得子模型应理解为不必逐个从头训练，不代表联合训练或部署没有额外开销。 平台推测（待验证）：若 EEG 时序任务需要在不同设备计算预算间部署，嵌套子模型可能提供可复用的弹性容量机制。该假设依赖共享模型在不同容量下仍能学习有效时序表征；原摘要的语言与图像实验不能直接证明 EEG 效果。可复用部分是 Mamba2 中的嵌套维度与联合训练思路，EEG 输入编码、通道组织及任务输出模块则需改造。低信噪比、跨被试差异、通道变化和小数据条件可能使较小子模型丢失有效信息。一个可检验的小实验是在固定 EEG 任务及 Cross-subject 划分下，比较联合训练的嵌套子模型与相应规模的独立训练基线，同时记录任务指标、参数量和同一硬件上的推理延迟。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其将 Matryoshka 式嵌套维度引入 Mamba2、联合训练多种规模子模型的机制，并核对弹性推理的性能—计算开销权衡；摘要尚不足以验证实际加速幅度或 EEG 适用性。

  3. OpenReview · Representation learning77

    具有可证明效率保证的联邦主动多任务表征学习

    基于摘要分析。本文针对源任务与目标任务数据均有限时的多任务表征学习，提出采用线性表征的主动学习方法，通过估计各源任务对目标任务的相关性，自适应分配采样，以提高数据利用与计算效率。 核心机制是基于自适应采样的交替投影梯度下降（GD）与最小化算法：迭代估计源任务相关性，并依据估计结果从各源任务采样。作者给出算法的收敛保证以及样本复杂度、时间复杂度分析；具体假设、复杂度表达式、采样预算和优化目标尚未验证。标题包含联邦学习，但摘要未说明客户端通信、聚合流程或隐私机制，不能据此补充联邦实现细节。 作者报告在合成数据和真实 MNIST-C 数据上开展数值实验，并与四种基准算法比较。摘要未提供具体指标、数值结果、任务构造或数据划分，因此暂不能判断优势幅度及适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设不同 EEG 被试或会话可作为源任务与目标任务，相关性驱动的采样可能用于缓解跨被试或跨会话迁移中标注预算有限的问题。可复用的是任务相关性估计与采样分配框架；需改造的是 EEG 表征、任务定义及采样与标签获取接口，并核对理论是否依赖共享线性结构。低信噪比、通道不一致和小样本可能使相关性估计不稳定，导致预算偏向无益源任务。一个可检验的小实验是在固定目标任务训练数据、总标注预算和独立测试集的跨被试设置下，比较自适应源任务采样与均匀采样，检验收益是否稳定。以上不是已验证的 EEG/BCI 结果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其按源任务与目标任务相关性自适应分配采样的机制及收敛、样本和时间复杂度分析，但理论适用条件与实验优势尚需核对全文。

9月26日周四
  1. OpenReview · EEG76

    以大型时空 Transformer 为基础模型学习鲁棒 EEG 表征

    基于摘要分析。研究针对 EEG 基础模型难以适应不同记录配置、BCI 控制范式及有限标注数据的问题，提出时空 EEG Transformer（ST-EEGFormer），通过自监督预训练与下游微调学习可迁移的 EEG 表征。其主要贡献是将不同通道配置和信号时长的建模，与跨 MI、P300、SSVEP 范式的适应性评估结合起来。 方法将原始 EEG 切分为片段（patches），投影到嵌入空间，并加入空间与时间嵌入。作者以掩码自编码器（MAE）任务进行自监督预训练，预训练数据由六个公开运动想象（MI）数据集、一个公开 P300 数据集和一个公开稳态视觉诱发电位（SSVEP）数据集组成。摘要未提供片段长度、空间位置编码方式、掩码策略、重建目标细节或模型规模，尚不能确认其处理不同通道配置的具体实现条件。 评估包括预训练所涉及八个数据集上的下游分类微调，以及两个未参与预训练的公开数据集：癫痫发作分类数据集和在线 MI BCI 数据集。对照模型包括简单线性模型、EEGNet、监督学习模型 EEG Conformer，以及基础模型 BIOT 和 Large Brain Model（LaBraM）。作者报告，预训练后的 ST-EEGFormer 在八个预训练数据集的下游分类中均取得高于所比较模型的 Accuracy，并在新数据集、有限训练数据条件下表现出较强泛化能力；摘要未给出具体数值或有限数据的规模。 这些结果支持进一步核查统一时空表征与 MAE 预训练的适应性，但不能直接解释为已验证的跨被试、跨会话或无需微调的泛化。数据集名称、被试数、训练与测试划分、预训练与评估样本的关系、各基线微调预算、消融及统计信息尚未验证。作者还提供模型及支撑结果的特征可视化，其解释性结论需结合正文审阅；代码、权重与完整复现条件尚未验证。

    阅读价值：值得阅读其跨 MI、P300 与 SSVEP 范式的统一预训练设计，以及在未参与预训练的数据集上检验有限训练数据条件下泛化能力的实验；作者报告的优势仍需结合具体划分、微调预算与统计结果核对。

  2. OpenReview · State space models73

    DyGMamba：利用状态空间模型高效建模连续时间动态图的长期时间依赖

    DyGMamba 面向连续时间动态图（CTDG）的表示学习，尝试同时解决长节点交互历史的计算开销与关键时间信息筛选问题，核心贡献是将 Mamba 状态空间模型（SSM）用于节点历史编码和时间模式驱动的信息选择。以下基于摘要分析，未取得论文全文。 机制上，节点级 SSM 首先编码历史节点交互序列；时间级 SSM 随后提取历史图中的时间模式，其输出用于动态选择交互历史中的关键信息。摘要描述的设计重点不只是扩大历史窗口，而是让时间模式参与信息筛选。具体输入表示、两个 SSM 的连接方式、选择操作、损失函数及训练流程尚未验证。 作者在动态链接预测任务上进行评估，并报告 DyGMamba 在多数情形下达到当时最优表现，同时保持较高的计算资源效率，使有限计算预算下的长时间依赖建模成为可能。摘要未提供数据集、划分协议、基线、指标数值或资源测量口径，因此不能量化其性能与效率优势；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 通道或脑区表示为节点、将带时间戳的连接变化表示为交互，该机制可能用于筛选长时程连接历史中的任务相关信息。此迁移假设依赖于 EEG 能否形成有意义的交互事件，而不是直接将原始波形视为动态图。可复用部分是历史序列编码和时间模式驱动的选择模块；需改造的是节点定义、连接估计、事件构造与任务输出。低信噪比可能产生伪交互，跨被试及通道差异可能破坏事件语义，小数据也可能使选择机制过拟合。一个可证伪的小实验是在固定 EEG 数据与跨被试划分下，以相同连接构造和历史窗口比较完整机制与不使用时间级选择的对照，同时记录任务指标及资源开销。上述仅为迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其利用节点级与时间级 SSM 编码长交互历史并动态选择关键信息的机制，但动态图预测收益及其向 EEG 时变连接建模迁移的有效性仍需核对实验与验证。