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。

693 条精选近 30 天 590 条共收录 755 条

更新

精选归档 · 第 35 页

9月22日周五第 681–693 条
  1. OpenReview · Representation learning71

    CRL-Net：通过线圈表征学习实现加速 MRI 重建

    基于摘要分析。本文研究欠采样多线圈 MRI 的图像重建，提出线圈表征学习网络 CRL-Net，以逐线圈编码器提取各线圈的特有表征，并通过线圈注意力层结合这些表征与灵敏度图估计，改善加速采集条件下的重建质量。 技术机制：原研究以压缩感知（CS）和多线圈并行成像（PI）为背景，核心设计是显式学习不同接收线圈的表征，再利用 coil-attention 融合线圈信息和灵敏度信息。摘要未说明编码器具体结构、注意力计算方式、灵敏度图估计流程、损失函数，以及训练与推理中的数据一致性约束，这些实现细节尚未验证。 评估证据：作者报告，在 FastMRI 的膝部与脑部多线圈数据上，分别以 4 倍和 8 倍加速进行评估，相较所比较的方法取得改进。摘要将对照描述为现有最先进方法，但未提供具体基线名称、指标、数值、数据划分或统计检验，因而不能据此量化优势，也不能确认重建效率的具体提升。采样协议、消融及统计信息尚未验证。 适用边界：研究对象是 MRI 图像重建，而非 EEG 解码或 BCI。多线圈信号具有与成像物理相关的灵敏度结构，不能直接等同于 EEG 多通道观测；摘要也未提供独立验证的 EEG/BCI 迁移路径，已有 EEG 相关工作尚未检索确认。复现时需进一步核对采样掩码、数据预处理、灵敏度图估计、训练配置及对照实现，代码与权重可用性尚未验证。

    阅读价值：值得核对 CRL-Net 如何结合逐线圈表征与灵敏度图估计进行多线圈 MRI 重建，以及其在 FastMRI 不同部位和加速倍率下的对照结果；摘要尚不足以确认改进幅度或 BCI 适用性。

  2. OpenReview · Representation learning71

    利用低维策略表征提高离策略 RL 的样本效率

    基于摘要分析。本文研究离策略强化学习（RL）的样本效率问题，提出以低维策略表征辅助价值函数近似，并对训练过程中的邻近历史策略追加价值学习。主要研究对象是连续控制任务，而非 EEG 解码或 BCI。 方法针对由自举、函数近似和离策略学习组成的“致命三角”，着重改进后两项。策略表征作为价值函数的额外输入，旨在减少不同策略之间的近似干扰、改善泛化；对邻近历史策略进行额外价值学习，则旨在促进已学习策略之间的价值泛化。作者将这一路径定位为与改进自举偏差控制相互独立的改进方向。摘要未说明低维表征如何构造、邻近策略如何筛选，以及相应损失和数据复用方式。 作者报告，在连续控制任务评估中，算法的效率和稳定性均获得一致改善。但具体任务、交互预算、对照基线、指标、随机种子及统计信息尚未验证，不能据此量化提升幅度或判断收益来自哪个模块。复现需核对策略表征训练方式、历史策略维护与价值更新规则，以及额外计算成本。 平台推测（待验证）：若闭环 BCI 控制任务具备明确的状态、动作、奖励及历史交互数据，策略条件化价值函数可能用于研究有限交互预算下的控制学习；这不等于改善 EEG 表征或解码。可复用的是价值函数的策略条件输入与历史策略学习机制，需改造状态编码和奖励设计。低信噪比、跨被试差异与小数据可能使策略表征和价值估计不稳定。一个可检验的小实验是在含噪闭环控制模拟中，以相同交互预算分别移除这两个机制，比较回报与稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对低维策略表征作为价值函数输入、以及对邻近历史策略追加价值学习，是否能在相同交互预算下改善离策略 RL 的样本效率；摘要尚不足以验证表征构造与收益来源。

  3. OpenReview · Representation learning76

    利用多晶型晶体结构的化学计量表征学习

    基于摘要分析。该研究针对材料性质预测依赖晶体结构描述、而结构获取可能计算成本高或难以实现的问题，提出 PolySRL：利用可获得的结构信息学习化学计量的概率表征，以刻画同一化学计量组成对应多种晶体结构所带来的不确定性。 核心机制与贡献：化学计量描述元素组成比例，不包含原子排列信息；多晶型现象使同一组成可能对应不同结构，因此仅凭组成学习表征存在歧义。PolySRL 将结构信息作为辅助信息，引入概率表征。作者认为其表征不确定性能够反映化学计量组成对应的多晶型结构。摘要未说明概率分布形式、损失函数、结构编码方式，以及训练和推理阶段分别需要哪些输入，这些实现条件尚未验证。 结果与证据边界：作者报告在十六个数据集上的广泛实验显示 PolySRL 优于对照方法，并通过不确定性分析讨论其在实际材料发现中的适用性。摘要未提供数据集名称、预测任务、划分协议、对照基线或具体指标，因此无法判断收益大小及适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，借助额外上下文学习概率表征，可能有助于描述 EEG 中相似观测对应不同潜在状态的歧义，但材料多晶型并不等同于 EEG 的被试差异或噪声。迁移依赖可配对的 EEG 与可靠辅助信息；概率表征思路可复用，晶体结构编码及材料监督目标则需改造。低信噪比、通道差异和小数据可能使不确定性主要反映噪声而非任务相关歧义。一个可检验的小实验是在固定跨被试划分下，以相同 EEG 编码器比较确定性表征与辅助信息驱动的概率表征，检验预测表现和不确定性校准是否同时改善。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其利用晶体结构辅助学习化学计量概率表征的机制，尤其是不确定性能否反映多晶型差异；其对 EEG 表征的迁移价值尚未验证。

  4. OpenReview · Representation learning74

    增强负样本表征以实现持续自监督学习

    基于摘要分析。本文研究持续自监督学习（CSSL）中的表征遗忘与新知识学习问题，提出通用损失 Augmented Negatives（AugNeg），通过联合利用当前与历史模型的负样本表征，尝试改善可塑性与稳定性的权衡；原研究对象是通用表征学习，并非 EEG 或 BCI。 核心机制：作者认为，传统“单一任务损失加稳定性正则项”的持续学习目标未必适合基于对比学习的 CSSL，因为任务损失可能面临负样本多样性下降，而正则项可能阻碍新辨别性表征的学习。AugNeg 包含两个对当前与历史模型负样本表征具有对称依赖关系的损失。作者主张，这种设计无需显式超参数调节即可形成较好的可塑性与稳定性权衡；该主张不能理解为整个训练流程无需调参。作者还提出，通过添加正则项，将增强负样本表征的思路用于非对比式 CSSL。 结果与证据边界：作者报告，在对比式和非对比式持续自监督算法的实验中，应用 AugNeg 优于其他先进 CSSL 方法。摘要未提供数据集、任务序列、对照方法名称、指标或数值，因此尚不能判断提升幅度及适用范围。具体损失公式、历史模型维护方式、训练与评估划分、实验协议、消融及统计信息尚未验证，复现需取得正文与实现细节。 平台推测（待验证）：假设 EEG 连续到达的跨会话数据存在表征漂移与遗忘，可考虑复用当前／历史模型表征之间的损失设计，但需改造 EEG 编码器、信号增强及负样本构造。其依赖当前与历史表征及持续数据流；低信噪比、通道变化、被试差异和小数据条件可能使负样本差异主要反映采集条件，而非任务相关信息。一个可证伪的小实验是在固定 EEG 数据和会话顺序下，对比同一编码器使用常规持续自监督目标与 AugNeg 时，对历史会话表征保持及新会话下游解码的影响，并保持标签使用和评估协议一致。已有 EEG 相关工作尚未检索确认。

    阅读价值：AugNeg 将当前与历史模型的负样本表征共同纳入持续自监督目标，为检验表征学习中的可塑性与稳定性权衡提供了具体机制，但其性能优势和 EEG 迁移价值仍需核对实验协议。

  5. OpenReview · Representation learning75

    从干预数据中学习表征

    基于摘要分析。本文研究如何结合观测数据与干预数据，学习对干预引起的分布偏移更稳健的表征。作者提出 RepLIn，在干预过程中显式约束特征满足底层因果模型所诱导的统计独立条件，并在图像属性预测与受损图像分类任务中验证其用途。 核心机制：作者指出，现有方法即使知道底层因果模型，也可能将干预数据当作普通观测数据处理，且依赖大量、覆盖被干预变量完整取值支持集的干预样本。作者报告，特征对因果模型所诱导统计独立条件的遵循程度，与干预条件下的预测表现存在强相关性；RepLIn 据此显式施加独立性约束。摘要未给出约束的数学形式、独立性估计方法、损失实现或训练流程，尚不能判断其具体计算成本与假设适用范围。 实验与证据：作者将 CelebA 属性预测，以及 CIFAR-10C、ImageNet-C 上的受损图像分类建模为因果图，并报告学到的表征对干预分布偏移更稳健。摘要未提供具体指标、数值、数据划分、对照方法或干预样本规模；实验协议、消融及统计信息尚未验证。所报告的相关性也不能单独视为独立性约束改善泛化的因果证明。 平台推测（待验证）：迁移假设是，若 EEG 任务能够区分任务相关因素与可操控的干扰因素，并建立可信的因果图，干预诱导的独立性约束或可用于缓解特征对非任务因素的依赖。可复用的是独立性约束思路；需改造 EEG 编码器、干预构造及因果变量定义。其依赖可信的因果结构、干预变量信息和足以估计独立性的样本，低信噪比、被试差异、通道变化与小数据可能使独立性估计不稳定，错误约束也可能压制任务信息。一个可证伪的小实验是在固定 EEG 任务与被试内划分下，仅对预先定义的通道增益扰动构造干预，比较相同编码器有无该约束时在未见扰动条件下的表现，并核对无扰动表现是否受损。已有 EEG 相关工作尚未检索确认，该实验建议不代表已证实的 BCI 效果。

    阅读价值：值得阅读的是 RepLIn 将因果模型诱导的统计独立条件显式用于干预数据表征学习，为分析分布偏移下的特征稳定性提供了具体机制，但其 EEG 适用性尚未验证。

9月21日周四
  1. OpenReview · Representation learning79

    表征迁移在多任务模仿学习中的作用

    基于摘要分析。本文研究多任务模仿学习中，预先从源任务学习表征能否比从零训练更高效地学习新任务，并给出以源任务具有充分多样性为条件的统计保证；同时提出估计任务多样性的实用度量，以连接理论与经验分析。 理论机制是利用多样源任务训练的表征改善目标任务的样本效率。作者称，理论结果可在其所述的现实假设下扩展到 multilayer perceptrons 和 convolutional networks，但摘要未给出假设的具体内容、统计界的形式及其对任务数量、数据规模或表征容量的依赖。任务多样性度量的计算方法、训练损失与表征迁移流程尚未验证。 作者报告，在五个模拟环境中的经验分析与理论发现一致：利用更多源任务数据可以改善新任务学习的样本效率，所提出的任务多样性度量与模仿学习表现呈正相关。摘要未提供环境名称、数据划分、对照基线、具体指标或效应大小，因此不能量化相对从零训练的收益；实验协议、消融及统计信息尚未验证。相关性结果也不能直接解释为该度量对迁移收益的因果作用。 平台推测（待验证）：该机制为 EEG 小样本迁移提出一个可检验的假设——源任务覆盖的有效多样性可能比单纯增加数据量更有利于目标任务表征学习。但原研究依赖多任务模仿学习数据，不能直接等同于 EEG 分类监督。可考虑复用其多样性评估思想，需改造任务定义、EEG 编码器及目标损失；低信噪比、通道差异和被试差异可能使度量主要反映采集或个体特征，而非可迁移的任务结构。一个小实验是在固定源数据总量、被试划分和目标标注预算下，比较不同源任务组合的度量值与目标任务学习曲线，并设置从零训练对照。实施前需核对全文中的度量与理论条件；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其关于源任务多样性与目标任务样本效率的统计保证及实用度量，但该度量是否适用于 EEG 跨任务表征迁移尚未验证。

9月20日周三
  1. OpenReview · EEG72

    BELT-2：面向多任务脑解码的 EEG—语言表征自举对齐

    BELT-2 研究如何将 EEG 表征与语言表征对齐，并连接大语言模型（LLMs）以支持多任务脑解码；核心方法结合 BPE 级对齐、多任务 EEG 编码器与 prefix-tuning。基于摘要分析，未取得论文全文。 技术机制方面，作者采用 byte pair encoding（BPE）级 EEG—语言对齐，并在 EEG 领域联合进行多任务训练与解码；随后利用 EEG 编码器的中间输出，通过 prefix-tuning 连接 LLMs。该设计将 EEG 表征学习与语言生成接口结合，但摘要未说明 EEG 与 BPE 单元的对应构造、对齐损失、多任务的具体组成、LLM 型号，以及训练时哪些模块冻结或更新，相关细节尚未验证。 结果方面，作者报告在 ZuCo 数据集上获得 BLEU-1 为 52.2% 的解码结果，但摘要未提供数据划分、被试内或跨被试协议及对照基线，因此不能据此判断跨被试泛化能力。作者还报告在其他翻译基准上提升 31%–162%，但未明确基准名称、指标、对照方法及提升的计算口径，不能将其解释为准确率或百分点提升。作者声称该方法能够从非侵入式脑信号解码连贯、可读的句子，并声称相关设计具有首次性；这些主张尚需正文与既有工作核对。 复现时需核对 EEG 预处理、EEG—文本配对方式、训练与测试划分、多任务监督来源，以及文本生成阶段是否使用额外文本条件。尤其应区分 EEG 提供的信息与 LLM 语言先验对生成质量的贡献；摘要不足以确定这一贡献分解。实验协议、消融及统计信息尚未验证。摘要称代码可通过匿名链接获取，但当前材料未给出该链接，代码可访问性与复现条件尚未验证。

    阅读价值：值得阅读的具体原因是 BELT-2 将 BPE 级 EEG—语言表征对齐、多任务训练与 LLM prefix-tuning 结合，可用于考察语言先验与 EEG 表征对文本解码的各自贡献，但其评估协议与提升幅度仍需全文核对。

9月19日周二
  1. OpenReview · Representation learning75

    面向科学问题的图神经网络表示瓶颈

    基于摘要分析。本文研究图神经网络（GNNs）在不同复杂度情境下捕获节点交互的能力，提出“表示瓶颈”这一问题描述，并通过依据 GNNs 学得的交互模式进行图重连，动态调整各节点的感受野。 核心机制：消息传递依赖图结构传播节点特征，而不同图学习任务需要不同范围的节点交互。作者认为，现有图构建机制引入的归纳偏置可能限制 GNNs 学习复杂度最合适的交互，导致模型难以捕获对任务最有信息量的交互模式。所提方法尝试根据模型学得的交互模式调整图连接，而不是始终依赖固定的图结构。摘要未说明交互复杂度的定义、交互模式的估计方式、重连准则及其与训练过程的结合方式，相关细节尚未验证。 结果与证据：作者报告，在真实与合成数据集上的实验中，该方法能够缓解表示瓶颈，并相较于先进图重连基线提升 GNNs 性能。摘要未提供具体数据集、任务、划分、指标或数值，因此不能判断提升幅度及适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 图模型中的固定电极邻接关系或预估功能连接限制了任务相关交互，动态图重连可能提供可检验的机制路径。可复用的是依据学得交互调整感受野的思路；需改造的是 EEG 节点与边的定义、时间信息处理及跨被试连接稳定性约束。低信噪比、通道差异和小数据可能使重连追随噪声而非有效交互。一个小规模检验是在固定 EEG 任务与 Cross-subject 划分下，保持节点特征和 GNN 主干一致，对比固定图、预设重连及所提动态重连，观察任务指标与连接稳定性是否同时改善。原领域结果不构成 EEG/BCI 有效性证据，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其如何将节点交互复杂度与图构建的归纳偏置联系起来，并以动态图重连缓解表示瓶颈；具体机制、对照效果及 EEG 适用性尚未验证。

9月16日周六
  1. OpenReview · Representation learning73

    场景表征学习与对象表征学习的统一理论

    基于摘要分析。本文研究无监督视觉表征学习中两类问题的统一描述：将多对象场景分解为多个对象，以及将单个对象分解为位置、形状等属性。作者提出基于代数独立性的统一理论，并报告在包含多个对象的图像数据集上进行了实验验证；摘要未提供具体指标与结果幅度。 核心机制是潜在向量之间的约束与交换性。摘要引用 Ohmura et al. (2023) 的对象表征理论：学习满足代数独立性的对象间变换，使一个属性可以变化而其他属性保持不变。相较于在标量变量之间施加独立性，该理论将约束放宽到潜在向量之间。场景表征方法同样常以潜在向量表示对象，并将场景表示为多个对象表征之和；求和满足交换性。本文据此寻求覆盖对象属性分解和多对象场景分解的共同理论，而非仅提出一个新的网络结构。 需核对统一理论的形式化定义、成立条件，以及交换性在完整代数独立性约束中的作用。数据集名称、训练与推理实现、对照基线、实验协议、消融及统计信息尚未验证，因此不能据摘要判断理论的普适性或性能优势。 平台推测（待验证）：迁移假设是，若 EEG 中可识别不同因素对应的变换，且这些变换近似独立并可交换，潜在向量级约束可能有助于分离任务相关因素与干扰因素。这依赖可定义的变换及足够的数据覆盖；视觉对象与属性不能直接等同于 EEG 神经源或状态。可考虑复用潜在向量约束，但需改造 EEG 编码器、变换定义及观测模型。低信噪比、通道混合、被试差异和小样本可能破坏独立性假设。一个可检验的小实验是在固定被试内划分下，比较有无此类约束时对可控干扰的稳健性及任务信息保留程度；这不是本文已验证的 EEG 结果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其如何以潜在向量间的代数独立性与交换性统一场景分解和对象属性分解，但理论适用条件及实验支持范围尚需全文核对。

  2. OpenReview · Representation learning72

    作为自监督表征学习器的掩码扩散

    基于摘要分析。本文研究扩散模型的生成能力与表征学习能力之间的关系，提出 masked diffusion model（MDM），以掩码机制替代传统扩散中的加性高斯噪声，作为可扩展的自监督表征学习器。主要研究对象是医学图像与自然图像的语义分割，而非 EEG 或 BCI。 技术机制：传统去噪扩散概率模型通过加性高斯噪声构造扰动，MDM 改用掩码机制。作者据此探索生成能力与表征学习能力的关联，但摘要不足以确定掩码如何随扩散过程变化、具体预测目标、损失函数、网络结构，以及分割阶段如何使用所学表征。 结果与证据边界：作者报告，MDM 在医学图像和自然图像语义分割任务中优于既有基准，尤其在少样本场景下表现突出。摘要未提供数据集名称、少样本数量、划分协议、对照方法、指标或数值，因而无法核对优势幅度及公平比较条件。实验协议、消融及统计信息尚未验证；代码、模型权重与复现资源亦尚未验证。 平台推测（待验证）：可检验的迁移假设是，将掩码式扰动用于 EEG 自监督预训练，可能有助于学习可用于少标注任务的表征。原方法面向图像像素级语义任务，其所需数据规模与监督配置尚不明确；迁移时可借鉴掩码扰动思路，但需改造信号编码、时间或通道掩码策略及下游预测头。EEG 的低信噪比、跨被试差异、通道配置变化和小数据规模，可能使模型主要学习噪声或被试特征。一个小规模可证伪实验是：在固定 EEG 编码器、预训练数据和少标注预算下，对比掩码式与加性高斯噪声式自监督预训练，并采用严格的 Cross-subject 划分评估同一下游任务。该建议不代表已有 EEG 效果，相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读的具体原因是其以掩码机制替代传统扩散中的加性高斯噪声，探索扩散式自监督表征学习与生成能力的关系；作者报告的少样本分割优势及其对 EEG 的可迁移性仍需分别核验。

  3. OpenReview · Representation learning75

    SCoRe：面向真实世界类别不平衡场景的子模组合表征学习

    基于摘要分析。该研究针对类别不平衡条件下稀有类别特征多样性不足、类别间偏差与类别内方差问题，提出 SCoRe（Submodular Combinatorial Representation Learning）框架，以一组子模组合损失改进对比表征学习。 核心机制是利用 Submodular Information Measures 等集合函数，同时建模特征簇的多样性与协作关系。作者提出包括 Facility Location、Graph-Cut 和 Log Determinant 在内的组合目标，并指出现有对比学习方法具有子模性，或可重新表述为相应的子模形式。摘要未提供损失公式、特征集合的构造方式、监督要求、批次采样及优化细节，尚不能判断这些目标与常用对比损失的具体差异或计算开销。 作者在高度不平衡的 CIFAR-10、MedMNIST 子集上进行图像分类实验，并在 India Driving Dataset（IDD）上进行道路物体检测实验。作者报告，相对其采用的先进度量学习基线，新目标在不平衡分类任务上的提升最高为 7.6%，在物体检测任务上的提升最高为 19.4%。摘要未明确指标、相对增幅与百分点含义、具体基线及数据划分，因此这些数字不能直接解释为 Accuracy 或检测指标的百分点提升；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 少数类别也存在表征覆盖不足，集合级多样性与协作建模可能用于缓解类别不平衡，但视觉任务收益不等于 BCI 收益。可复用部分是组合损失，需核对并改造 EEG 特征相似度、集合构造和采样策略；低信噪比、跨被试差异、通道变化及小数据可能使多样性目标优先保留噪声或被试特征。一个可证伪的小实验是固定 EEG 编码器与 Cross-subject 划分，在受控类别不平衡条件下，仅替换损失并与原对比损失及类别加权基线比较 Balanced Accuracy 和少数类别召回率，报告多随机种子的波动。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 SCoRe 如何将子模集合函数转化为类别不平衡下的表征学习损失，以及其相对度量学习基线的收益是否依赖类别分布与批次构造；对 EEG 的适用性尚未验证。

5月7日周日
  1. OpenReview · Representation learning80

    面向预测任务类的表征学习博弈

    基于摘要分析。本文研究如何在已知未来预测任务先验、但输入特征向量无标签的条件下，学习降维表征。核心贡献是将表征选择、对抗性任务选择与预测建模纳入三方博弈，并分别给出线性情形的理论结果和适用于更一般函数类的近似算法。 机制上，第一方选择表征，第二方随后对抗性地选择预测任务，第三方依据表征后的特征预测响应。优化目标为 regret，即使用表征所能达到的最小预测损失，相对于使用原始特征所能达到的最小预测损失的差异；第一方与第三方希望减小该差异，第二方希望增大它。因此，该框架关注的不是重建输入，而是面对预设任务类时，压缩造成的预测能力损失。 在均方误差损失，以及表征、待预测响应和预测器均为线性函数的条件下，作者报告推导了纯策略的最优表征与混合策略的最优 regret，分别说明任务先验和随机化表征的作用。作者进一步报告，最优随机化只需有限个表征，其所需数量有精确刻画，小于输入特征维度，并可能远小于该维度。对于一般损失及更一般的表征、响应函数和预测器类，作者提出基于梯度的迭代算法，以近似最优混合表征；摘要未给出具体参数化、收敛条件或实证指标，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 特征上的未来任务可被合理限定，该框架可能用于研究降维后多任务预测信息的保留。可复用部分是任务对抗与 regret 目标；需要改造的是 EEG 特征、任务类约束及表征的采样与使用方式。风险包括低信噪比、跨被试与通道变化使任务先验失配，以及小样本导致原始特征与压缩特征的最优损失难以可靠估计。一个可检验的小实验是在固定被试内划分和降维维度下，比较确定性表征与随机化表征在预先定义的线性预测任务类上的最坏任务 regret，并以原始特征预测器作为参照。该实验仅是假设性迁移验证方案，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其以预测 regret 定义降维表征质量的三方博弈框架，尤其是任务先验与随机化表征的理论作用；其对 EEG 多任务表征的适用性尚未验证。

6月14日周二
  1. OpenReview · Representation learning77

    基于扩散的表征学习

    基于摘要分析。本文研究如何让扩散生成模型在不使用监督信号的情况下学习表征，核心贡献是扩展 denoising score matching（去噪得分匹配）框架，使表征编码去噪所需的信息，而非像 GANs 和 VAEs 那样直接将潜在编码映射为数据样本。原论文主要面向通用表征学习及图像下游任务，并非 EEG 或 BCI 研究。 机制方面，摘要将连续时间随机微分方程描述的扩散模型与多尺度去噪自编码器联系起来，并提出新的去噪得分匹配目标。作者指出，这一表征学习方式允许手动控制表征所编码的细节层级；但具体目标公式、控制变量、编码结构及训练与推理流程尚未验证。作者还提出学习无限维潜在编码，摘要未说明其具体参数化及计算实现，不能据此推断模型规模。 结果方面，作者报告，该方法在半监督图像分类中相较当时的先进模型取得改进，并通过下游任务表现比较扩散得分匹配、自编码器和对比学习系统的表征质量。摘要未提供数据集、标注比例、数据划分、对照模型、评价指标或数值，因此无法判断改进幅度及不同方法的可比性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若不同噪声尺度下的去噪信息能够形成可控粒度的表征，该机制可能为 EEG 自监督学习提供候选路径，但图像结果不构成 BCI 有效性的证据。可考虑复用去噪得分匹配思想，改造适配多通道时间序列的编码器与扰动过程；低信噪比可能使模型编码伪迹，被试差异、通道布局变化及小数据规模也可能削弱表征稳定性。一个可检验的小实验是在固定 EEG 数据划分与相同标注预算下，对比该目标、自编码器和对比学习表征的冻结编码器分类表现，并检验细节控制是否改变任务信息与伪迹信息的保留程度。该方案仅为迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的具体原因是其通过改写 denoising score matching 目标学习去噪所需的表征，并讨论表征细节层级的可控性；其半监督图像分类收益及向 EEG 迁移的可行性尚需核对与验证。