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。

602 条精选近 30 天 527 条共收录 649 条

更新

精选归档 · 第 29 页

4月2日周三第 561–580 条
  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。

  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 · Representation learning75

    权重空间表征学习中的结构与行为

    基于摘要分析。本文研究神经网络权重空间中的表征学习，关注自编码器（AE）即使取得较低权重重建误差，重建模型仍可能无法保持原模型性能的问题；核心贡献是在结构重建之外引入行为损失，以约束对模型实际表现重要的特征。 原方法将神经网络权重作为数据，使用带有对比损失和重建损失的 AE 学习表征，服务于准确率预测、超参数预测、权重生成等任务。作者指出，仅重建权重结构不足以保留某些影响模型性能的特征，因此提出结合结构与行为信息的训练方式。摘要未给出行为损失的数学形式，也未说明其是否依赖输入样本、标签或模型输出，相关监督条件与计算成本尚未验证。 作者报告，在三个不同的 model zoos 上，结合结构损失与行为损失能够重建和生成性能匹配原模型的网络，并提升所有已评估下游任务的表现。摘要未提供 model zoos 名称、网络架构、数据划分、对照配置、指标与数值，因此不能据此判断提升幅度或跨架构泛化能力；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移假设是，EEG 解码模型的权重重建同样可能需要保留功能行为，而不仅是参数结构。这一思路对应模型压缩或权重生成后解码性能不稳定的问题，不直接解决 EEG 信号表征。可复用的是结构与行为联合约束的框架；需改造的是 EEG 模型的权重组织方式、行为评估数据及任务指标。训练所需模型数量、架构兼容性和监督规模尚不明确；低信噪比、跨被试差异、通道变化及小数据可能使行为约束拟合局部样本而不能保留泛化表现。一个可检验的小实验是，在同架构 EEG 解码模型集合上，固定模型划分和数据划分，对比仅结构重建与结构加行为约束，分别测量权重误差及重建前后的解码性能；行为约束数据应与最终测试数据隔离。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其行为损失如何弥合权重重建误差与模型实际性能之间的差距，但摘要不足以验证具体损失实现及其在 EEG 模型上的适用性。

  2. 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。

  3. OpenReview · EEG74

    Professor X：通过隐蔽且鲁棒的后门攻击操纵 EEG BCI

    基于摘要分析。本文研究 EEG BCI 的后门安全风险，提出 Professor X，旨在通过干净标签数据投毒操纵模型输出。作者将其与主要面向单一目标类别、需要介入目标 BCI 训练阶段或隐蔽性不足的既有攻击区分开来；这些对照判断及其适用范围尚需全文验证。 核心机制分为三个阶段：为每个类别选择一个触发器；针对每个触发器，利用强化学习学习注入电极与频率的策略；依据所学策略，对数据与触发器的频谱幅值进行线性插值，将对应触发器的频率成分注入各类别的投毒数据。该方法以电极和频率为攻击设计变量，直接利用 EEG 的多通道与频谱结构。摘要未说明触发器来源、强化学习的状态与奖励、插值强度、干净标签约束的具体实现，以及攻击者可访问或修改的数据范围；不能据此认定攻击完全不涉及目标模型的训练流程。 作者报告，在三种常见 EEG 任务的数据集上，Professor X 展现出有效性和鲁棒性，并能够绕过现有后门防御。摘要未给出任务与数据集名称、被试数、被试内或跨被试等评估协议、模型基线、攻击成功率、正常任务性能变化、隐蔽性度量或防御配置，因此无法量化效果或判断跨协议可比性。实验协议、消融及统计信息尚未验证。 复现时需重点核对多目标操纵的定义、投毒比例与访问权限、触发器在推理阶段的施加方式，以及鲁棒性和防御绕过的测试条件。摘要称代码将于近期发布，当前材料不能确认代码已公开。

    阅读价值：值得阅读的具体原因是其将逐类别触发器、强化学习选择电极与频率以及频谱幅值插值结合用于 EEG BCI 后门攻击，但攻击权限、隐蔽性和防御绕过效果仍需核对全文实验。

  4. 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。

  5. 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。

9月25日周三
  1. OpenReview · Representation learning80

    用于因果量估计的正交表征学习

    基于摘要分析。本文研究如何从观测数据中借助表征学习估计因果量，例如条件平均处理效应，并提出 OR-learners：一类针对表征层面定义的因果量的 Neyman 正交学习器，旨在结合表征学习与正交因果估计的理论优势。 核心机制与理论贡献：作者指出，现有端到端表征学习方法未必具备 Neyman 正交学习器的双重稳健性和准 oracle 效率，某些额外约束（如平衡约束）还可能导致估计不一致。作者主张，OR-learners 可基于任意学得的表征一致估计相应因果量，并具有双重稳健性和准 oracle 效率。这里需区分“表征层面定义的因果量”与原始协变量层面的目标：摘要不足以确认两者何时等价，也不能将这些性质理解为无条件保证。具体估计式、损失、辅助模型、训练流程及理论条件尚未验证。 实验与证据边界：作者报告，在大量实验及一定正则条件下，OR-learners 改善了现有表征学习方法并达到 state-of-the-art 性能；摘要未提供数据集、划分、对照基线、指标或数值，因此无法判断改善幅度及适用范围。实验协议、消融及统计信息尚未验证。作者还声称，这是据其所知首次统一表征学习与 Neyman 正交因果量估计的框架，该优先性声明尚未独立核实。 平台推测（待验证）：若 EEG 研究目标是从观测数据估计干预效应，而非普通分类，OR-learners 可能用于评估降维表征上的效应异质性。该假设依赖明确的处理、结局、混杂变量及因果识别条件；可考虑复用正交估计模块，但需改造 EEG 表征和辅助模型。低信噪比、跨被试差异及小数据可能使表征丢失混杂信息或辅助估计不稳定，正交性不能自动解决这些问题。一个可证伪的小实验是在具有已知处理效应的半合成 EEG 数据上固定表征，对比普通表征效应估计与 OR-learners，并逐步增加噪声及混杂信息损失，检验估计偏差是否仍有改善。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其将表征层面的因果量估计与 Neyman 正交学习统一的理论机制，尤其需核对一致性、双重稳健性和准 oracle 效率所依赖的假设，而非仅依据摘要中的性能声明。

9月24日周二
  1. OpenReview · Representation learning75

    MAGNET：为生成式解码器增强表示学习与文本片段填补能力

    MAGNET 针对仅解码器 LLM 的生成训练与双向表示学习通常相互独立的问题，提出统一适配方法，在保留文本生成能力的同时增强表示学习与缺失文本片段填补。基于摘要分析，未取得论文全文。 核心机制是结合双向注意力与因果注意力，并使用三个自监督训练目标进行统一训练。双向上下文使模型在填补缺失文本时能够利用后续文本，因果建模则服务于原有生成能力。摘要未给出三个目标的具体定义、损失形式、注意力组织方式、基础模型及训练规模，这些实现条件尚未验证。 作者报告，MAGNET 适配后的 LLM 在 token 级和句子级表示学习任务上能够优于先进文本编码器，并改善基础 LLM 生成上下文适配文本填补的能力；作者还报告，模型仍可执行开放式文本生成。摘要未提供数据集、划分、基线名称、指标或数值，因此不能量化优势，也不能判断生成能力保留的程度。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移假设是，让表示学习与序列生成共享训练，并按任务组合双向和因果注意力，可能为 EEG 掩码建模与因果序列预测提供设计参考。原方法依赖文本序列及自监督训练，但摘要未交代具体监督构造和数据规模；迁移至 EEG 需改造输入表征、片段填补目标及通道处理，不能直接沿用文本 token 的语义假设。EEG 的低信噪比、跨被试与通道差异，以及小数据条件，可能使任务共享产生负迁移。可检验的小实验是在固定 EEG 数据、被试划分和训练预算下，对照独立训练与共享训练的掩码重建和因果预测表现，评估是否存在互惠或性能损失；这属于迁移假设，而非本文已验证结果。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是 MAGNET 如何通过统一自监督训练及双向与因果注意力的结合，兼顾表示学习、文本片段填补和开放式生成；具体收益及任务间权衡尚需全文核对。