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。

592 条精选近 30 天 522 条共收录 637 条

更新

精选归档 · 第 28 页

9月19日周五第 541–560 条
  1. 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。

  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 · 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13日周六
  1. OpenReview · EEG73

    由于漂移普遍存在，EEG 分类实验必须采用随机化试次

    基于摘要分析。本文研究 EEG 分类实验中时间相关性与刺激类别之间的混杂问题，核心贡献是检验公开 EEG 数据中的时间相关性及滤波能否消除该相关性，并强调试次随机化对实验设计的重要性。 作者报告，在三个公开 EEG 数据集中观察到时间相关性，且滤波并未消除该相关性。摘要未给出数据集名称、漂移或时间相关性的测量方法、滤波设置、刺激安排、分类任务及数据划分，因此尚不能判断这些结论适用的具体实验条件，也不能量化其对分类性能的影响。 作者据此警告，近期相当数量的研究可能因时间相关性与刺激类别混杂而存在问题，并将随机化表述为目前唯一已知的避免途径。这些均是作者的判断；仅凭摘要，尚不能确认其文献核查范围，也不能验证该结论对不同 EEG 任务与采集协议的普遍适用性。 阅读与复现时，需核对随机化发生在刺激呈现还是其他实验环节，以及类别顺序、时间结构和训练／测试划分如何共同影响评估。不能把数据划分随机化直接等同于刺激呈现随机化，也不能据此断言某项既有研究存在泄漏或不公平比较。具体实验协议、对照、消融及统计信息尚未验证。

    阅读价值：值得阅读以核对 EEG 分类中时间相关性与刺激类别混杂的证据及随机化设计要求，但摘要不足以验证其对既有研究和随机化必要性的广泛判断。

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。

1月23日周四
  1. OpenReview · EEG77

    LEAD：用于基于 EEG 的阿尔茨海默病检测的大型基础模型

    基于摘要分析。该研究针对基于 EEG 的阿尔茨海默病（AD）检测中数据规模不足与被试间差异较大的问题，整理 EEG-AD 语料，并提出 LEAD 基础模型，将自监督对比预训练、通道对齐的多数据集微调和被试级检测整合为完整流程。其主要研究对象是 AD 检测，而非 BCI 指令解码。 数据与训练：作者报告整理的 EEG-AD 语料包含 813 名被试，并称其为据作者所知规模最大的 EEG-AD 数据集；这一规模比较尚未独立核验。模型在 11 个 EEG 数据集上预训练，其中 4 个为 AD 数据集、7 个为非 AD 数据集，再在 5 个通道对齐的 AD 数据集上联合微调。预训练同时采用样本级与被试级对比学习，目标是提取通用 EEG 特征；骨干编码器引入时间与通道嵌入，以表征时间和空间维度。具体对比样本构造、损失形式、模型规模及通道对齐实现尚未验证。 评估与结果：摘要说明采用被试独立评估，并通过多数投票形成被试级检测结果。作者报告，相较其所称的现有最先进方法，样本级 F1 最高提升 9.86%，被试级 F1 最高提升 9.31%。摘要未明确这两个提升值属于相对百分比还是百分点，也未给出对应数据集、划分、基线及绝对 F1，因此不能据此直接比较不同协议下的性能。作者认为结果支持被试级对比预训练与通道对齐的联合微调缓解被试间差异，但其各自贡献仍需核对全文中的消融与统计结果。 复现核对：摘要提供匿名源码地址，但代码内容与可运行性尚未验证。应进一步核对各数据集在预训练、微调和评估中的被试划分及重叠情况、预处理与通道映射、被试级多数投票规则，以及各数据集分别报告的结果。实验协议、消融及统计信息尚未验证；现有材料不足以确认跨数据集泛化或临床诊断效用。

    阅读价值：值得核对其被试级对比预训练、通道对齐的多数据集微调与被试独立评估流程，以判断这些机制能否缓解 EEG 阿尔茨海默病检测中的被试间差异；摘要中的性能提升仍需结合完整实验协议验证。

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。