跳到正文

研究类型与证据

发表状态未知 最新动态

发表状态未知 研究索引；按可核对的标签归档，不以热度评价质量。

123 条精选近 30 天 1 条共收录 229 条

更新

精选归档 · 第 5 页

1月1日周一第 81–100 条
  1. OpenReview · State space models73

    SMamba：通过可伸缩状态空间模型实现任意尺度超分辨率

    基于摘要分析。该研究针对任意尺度超分辨率（ASSR），提出正文称为 S³Mamba 的方法，利用 Scalable State Space Model（SSSM）构建由低分辨率图像导出的可伸缩连续表示空间，使单一模型能够处理不同放大尺度。其核心贡献是将尺度调制引入状态空间模型的离散化过程，并结合尺度感知自注意力增强不同尺度下的全局重要特征感知。 机制与创新：ASSR 借助 Implicit Neural Representations（INR）建立坐标与像素值的连续表示，突破固定放大倍数的限制。作者认为，现有 CNN 和 Transformer 方法面临计算复杂度及长程依赖建模方面的挑战。SSSM 在离散化时调制状态转移矩阵与步长采样矩阵，作者声称由此实现线性计算复杂度的连续表示建模。摘要未给出调制函数、尺度条件的具体输入方式、训练损失及推理流程；线性复杂度对应的计算范围，以及加入自注意力后的整体开销，尚需全文核对。 结果与证据边界：作者报告，在合成与真实场景基准上取得最先进性能，并在任意超分辨率尺度下表现出较强泛化能力。摘要未列出数据集名称、训练与测试尺度划分、对照基线、指标或具体数值，因此不能判断未见尺度上的收益及适用边界。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，尺度条件化的状态空间离散化可能用于 EEG 不同采样间隔下的连续时间表示；但图像空间放大与 EEG 时间采样变化并非同一任务，原领域结果不能视为 BCI 有效性的证据。可考虑复用条件化离散化模块，将图像坐标与像素监督改为时间坐标和信号重建监督，并处理通道拓扑及抗混叠约束。低信噪比、跨被试差异、通道不一致和小数据可能使模型主要拟合插值规律。一个可证伪的小实验是在固定被试划分及统一抗混叠降采样流程下，对比该模块、普通状态空间模型和传统插值在未见采样间隔上的重建误差及下游任务表现。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对其通过尺度调制状态空间离散化来构建连续表示的机制，以及线性复杂度的适用范围；作者报告的任意尺度泛化优势仍需结合全文实验协议验证。

  2. OpenReview · State space models77

    STREAM：面向稀疏几何数据的通用状态空间模型

    基于摘要分析。STREAM 面向点云、事件视觉等稀疏且非结构化的几何数据，将几何结构显式编码进状态空间模型的参数化，而不是仅依赖序列化预处理及模型自行推断几何关系。其核心贡献是利用坐标的相对差异控制状态空间模型的步长，并基于 Mamba selective state-space model 与修改后的 CUDA kernel 实现高效计算。 机制上，状态空间模型的线性动态由时间或空间坐标等一维变量驱动，STREAM 将相对坐标差注入这一动态变量对应的步长。作者称，由此形成的几何操作可在 O(N) 步中计算 N 个点之间的全点对交互；该表述不应直接等同于已验证的端到端运行时间或显存复杂度，具体交互定义、点的遍历顺序与实现条件尚需正文核对。 作者报告，在从头训练的 ModelNet40 和 ScanObjectNN 点云分析任务中，STREAM 改善了 PointMamba 基线表现，但摘要未提供具体指标数值。作者还报告，在 DVS128 Gestures 数据集全部 11 个类别的测试中取得 100% Accuracy，并声称这是首次达到该结果；测试划分、预处理、重复实验及统计信息尚未验证。摘要另称模型在事件视觉和音频分类等基准上具有竞争力，具体对照与实验协议尚未验证。 平台推测（待验证）：假设相对坐标驱动的状态更新能保留不规则采样结构，它可能对应 EEG 中不规则时间采样或稀疏电极空间建模的问题。可考虑复用状态更新机制，但需改造 EEG 信号的点表示、时空坐标及遍历方式；低信噪比、跨被试差异、通道缺失与小数据训练都可能削弱该归纳偏置。一个可检验的小实验是在固定 EEG 数据划分和相同输入表示下，比较相对坐标步长与固定步长，并测试通道缺失时的性能变化。此为迁移假设，不是已证实的 BCI 收益；相关 EEG 工作尚未检索确认。复现还需核对完整模型配置、CUDA kernel、训练条件及代码可用性。

    阅读价值：值得核对 STREAM 将相对坐标差注入状态空间步长的机制及其修改后的 CUDA 实现，以评估稀疏几何归纳偏置的收益；摘要中的全点对交互与测试准确率仍需结合完整实验协议验证。

  3. OpenReview · State space models72

    VmambaIR：用于图像恢复的视觉状态空间模型

    基于摘要分析。VmambaIR 面向从退化输入恢复高质量图像的问题，将 State Space Models（SSMs）引入图像恢复，旨在兼顾长程依赖建模与计算效率。其核心贡献是采用 Unet 架构堆叠 Omni Selective Scan（OSS）块，以多方向扫描缓解 SSM 的单向建模限制。 机制方面，每个 OSS 块由 OSS 模块与 Efficient Feed-Forward Network（EFFN）组成。作者提出的 omni selective scan 对六个方向的图像信息流进行建模，并将 SSM 的线性复杂度作为相对于 Transformer 二次复杂度的效率优势。摘要未说明六个方向的具体定义、扫描与融合方式、EFFN 结构、损失函数及训练策略，这些细节尚未验证。 作者报告，在 image deraining、single image super-resolution 和 real-world image super-resolution 等任务中，VmambaIR 达到 SOTA，同时使用更少的计算资源与参数。摘要未提供数据集、数据划分、对照模型、评价指标或资源测量条件，因此该结论目前只能作为作者报告，不能据此量化优势或比较不同任务的性能。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该方法原本依赖具有空间邻接关系的图像数据；多方向扫描与高效长程建模可能为 EEG 去噪提供机制参考，但原领域有效不等于 BCI 有效。可考虑复用 SSM 与扫描模块，需改造时间—通道表示、扫描顺序及训练目标，并核对是否依赖成对退化／参考信号监督。低信噪比、跨被试差异、不规则通道布局和小数据可能削弱效果，恢复过程也可能损伤 ERP 等任务相关成分。一个可证伪的小实验是在固定被试划分与噪声条件下，比较单向扫描和多方向扫描的 EEG 去噪误差、ERP 波形保真度及资源开销，检查效率收益是否伴随信号失真。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其 Omni Selective Scan 如何以线性复杂度缓解 SSM 的单向建模限制，并核对图像恢复效果与资源开销的对照证据；其对 EEG 的适用性尚未验证。

  4. OpenReview · State space models76

    GrassNet：状态空间模型与图神经网络的结合

    GrassNet 针对谱图神经网络中多项式滤波器低阶截断、缺乏图谱整体建模的问题，引入结构化状态空间模型（SSMs）来学习图谱滤波器。基于摘要分析，未取得论文全文。 核心机制是利用 SSMs 建模图信号在不同频率上的关联，并为图谱中的各频率生成特定校正。作者指出，传统多项式方法对相同频率的信号施加相同调制，在谱高度集中或存在大量数值相同的谱值时可能受到限制；作者声称 GrassNet 能学习任意图谱滤波器，并在理论上具有比多项式滤波器更强的表达能力。如何定义频率序列、如何处理重复特征值及对应特征空间、表达能力结论依赖哪些假设，均需查阅正文核对。 作者报告，在九个公开基准上的实验显示 GrassNet 在真实图建模任务中表现优于对照方法。摘要未提供基准名称、任务、划分、对照配置或具体指标，因此不能量化收益或判断不同协议下的可比性；实验协议、消融及统计信息尚未验证。实现、计算成本和复现条件也尚未验证。 平台推测（待验证）：假设 EEG 被表示为具有明确拉普拉斯算子的通道图，GrassNet 的跨图谱频率关联建模可能用于检验多项式滤波表达受限这一瓶颈；这里的图谱频率不等同于 EEG 的时间频率。可考虑复用谱滤波机制，但通道图构建、时间信息整合和跨被试图对齐需要改造。低信噪比可能使图结构不稳定，通道变化可能改变谱基，小数据也可能增加过拟合风险。一个可证伪的小实验是在固定 EEG 通道图、相同时间编码器和相同跨被试划分下，对比 GrassNet 滤波与多项式滤波，并检查收益对图构建及通道扰动的敏感性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 GrassNet 如何利用 SSM 建模跨频率关联，以及其处理重复谱值和提升滤波表达能力的理论条件，这些机制为评估谱图方法在 EEG 图建模中的适用性提供了具体切入点。

  5. OpenReview · State space models72

    DGMamba：通过广义状态空间模型实现域泛化

    基于摘要分析。该研究针对视觉域泛化中的分布偏移问题，提出 DGMamba，尝试在保留 Mamba 全局感受野与线性复杂度优势的同时，减少隐藏状态和图像扫描机制对域特异信息的依赖。 框架包含 Hidden State Suppressing（HSS）与 Semantic-aware Patch refining（SPR）。HSS 用于减弱与域特异特征相关的隐藏状态对输出预测的影响。SPR 旨在让模型更关注对象而非上下文，其中 Prior-Free Scanning（PFS）打乱图像中的非语义 patch，以形成更灵活的序列；Domain Context Interchange（DCI）通过跨域融合 patch，将不匹配的非语义与语义信息组合起来，对 Mamba 进行正则化。摘要未提供隐藏状态筛选、语义识别、扫描操作及损失函数的具体实现，尚不能据此重建模型。 作者报告，在四个常用域泛化 benchmark 上，DGMamba 相较现有先进模型取得更优结果；摘要未列出 benchmark 名称、域划分、对照基线或指标数值，实验协议、消融及统计信息尚未验证。作者表示代码将公开，不等同于代码已可获取。 平台推测（待验证）：其潜在 EEG 迁移路径是抑制被试或会话相关的域特异状态，以缓解跨被试、跨会话分布偏移。但原方法依赖图像 patch 的语义与上下文区分，以及跨域 patch 融合；EEG 中哪些时段、通道或频段属于任务信息而非背景信息，需要重新定义，不能直接套用对象与背景的划分。可尝试复用状态抑制思路，改造序列构建和跨域融合模块；低信噪比、通道差异及小数据可能导致任务相关状态被误抑制，或融合产生不合理信号。一个可证伪的小实验是在固定的跨被试 EEG 划分下，比较基础 Mamba 与仅加入 HSS 改造的版本，核对域信息降低是否伴随任务性能改善。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对的是 DGMamba 如何通过隐藏状态抑制与语义感知 patch 处理降低域特异信息影响；这些机制提供了域泛化研究的具体切入点，但摘要中的性能优势及其 EEG 可迁移性尚未验证。

  6. OpenReview · EEG72

    面向运动想象 BCI 的快速多变量经验模态分解 EEG 节律分离与时频分析

    基于摘要分析。研究针对多变量经验模态分解（MEMD）及其噪声辅助版本（NA-MEMD）处理多通道运动想象 EEG 时的噪声鲁棒性与计算复杂度问题，考察快速多变量经验模态分解（FMEMD）及其噪声辅助版本（NA-FMEMD）的时频分析能力，并提出基于 FMEMD 的分类架构。 核心机制是利用 FMEMD 分解 EEG，再通过联合平均频率度量（joint average frequency measure）自动选择对应特定频带的固有模态函数（intrinsic mode functions），用于节律分离与后续分类。摘要未提供 FMEMD 的具体加速机制、频带设置、特征构造或分类器细节，NA-FMEMD 的噪声辅助配置也尚未验证。 作者报告，与 MEMD 在仿真数据和真实 EEG 上的比较表明，FMEMD 能更准确地估计 EEG 频率信息，并改善分解的抗噪性与计算效率。在 BCI Competition IV 数据集上，以 FMEMD 替换 MEMD 作为预处理算法，作者报告分类 Accuracy 提高“2.3%”；摘要未明确该数值是相对增幅还是百分点变化，也未明确此项比较对应的子数据集、数据划分及被试内或跨被试协议。作者另报告，在 Physiobank Motor/Mental Imagery dataset 和 BCI Competition IV Dataset 2a 上，FMEMD 分类架构取得与复杂算法相当的表现，但摘要未列出具体对照算法与分数，不能据此进行跨协议排名。 复现重点是确认节律选择规则、MEMD 与 FMEMD 是否使用一致的后续分类流程，以及抗噪评估条件和运行时间的测量环境。被试数、训练测试划分、实验协议、消融及统计信息尚未验证。作者认为该方法适合从小型基准数据集提取特征并缓解计算复杂度带来的维度约束；其在跨被试、跨会话及在线 BCI 中的适用性仍需进一步核对，不能由摘要中的基准结果直接推定。

    阅读价值：值得核对 FMEMD 在多通道运动想象 EEG 中的频率估计、抗噪性与计算效率，以及自动节律选择能否在一致分类协议下带来可复现的收益。

  7. OpenReview · State space models70

    使用加权正则化神经网络的物理引导状态空间模型增广

    基于摘要分析。本文研究如何利用测量数据增广已有的非线性物理状态空间模型，提出采用加权函数正则化的 W-PGNN，在数据信息量较低的区域更依赖物理先验，在信息量较高的区域更信任数据。 核心机制：作者指出，经典 Physics-guided neural networks（PGNN）在输出层面惩罚对物理模型的偏离，但状态转移函数即使仅有较小参数差异，也可能产生显著不同的时间序列输出，因此这种约束可能导致保守估计。此外，经典方法以固定权衡超参数在整个状态空间施加正则化。W-PGNN 改为在代价函数中加入加权正则项，惩罚基线物理模型与最终辨识模型之间的状态函数及输出函数差异，并依据数据的信息量调节对先验的依赖。权重的具体定义、信息量估计方式、网络结构及优化流程尚未验证。 验证与边界：作者报告在一个基准示例上展示了该策略相对于现有 PGNN 方法的有效性。摘要未提供基准名称、数据划分、评价指标或提升幅度，实验协议、消融及统计信息尚未验证。复现需进一步核对基线物理模型、测量数据、权重构造与正则化超参数设置。 平台推测（待验证）：迁移假设是，若 EEG 动态建模具备可信的状态空间先验，并能可靠估计不同状态区域的数据信息量，该机制可能帮助缓解稀疏观测区域中数据驱动模型偏离先验的问题。可复用的是函数层面的加权约束；需改造的是 EEG 状态定义、观测函数与信息量估计。低信噪比、跨被试差异、通道变化及小数据可能使权重估计失真，错误物理先验也可能引入偏差。一个可检验的小实验是在固定 EEG 数据划分和同一先验模型下，对比固定权重与信息量加权正则化的预测误差，并观察减少训练数据或加入噪声后的稳定性。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对 W-PGNN 如何将物理先验约束从输出层面转向状态与输出函数层面，并按数据信息量调整约束强度；摘要中的基准验证尚不足以判断其对 EEG 建模的适用性。

  8. OpenReview · EEG74

    面向可穿戴 BCI 低功耗实时 EEG 分类的优化 EEGNet 处理器

    基于摘要分析。该研究针对既有 EEGNet 处理器采用高精度定点数所带来的功耗和资源开销，提出低精度 EEGNet（LPEEGNet）处理器，通过算法量化与硬件架构协同优化，支持可穿戴 BCI 的低功耗实时 EEG 分类。 算法方面，作者通过低精度量化将 EEGNet 重构为 LPEEGNet；摘要未提供量化位宽、量化训练方式或各层精度配置。硬件方面，处理器采用数据驱动处理流程，以层融合构建异构流式架构，利用全局特征图存储改善访存效率，并结合层间并行与层内流水线提升推理效率。其可核对的技术重点是低精度计算、数据搬运与并行调度的联合设计，而不只是压缩模型。 作者报告，在 FPGA 实验中，相比摘要所称的最先进 EEGNet 处理器，该实现的功耗、LUT 利用量和推理延迟分别降低 52.6%、36.2% 和 25.8%；作者另报告，在一个 ERP 数据集上的 Accuracy 为 93.06%。摘要未明确数据集名称、被试数、被试内或跨被试评估协议、数据划分及对照处理器配置，因此这些结果只能在原文所述实验范围内理解，不能直接与其他协议下的分类结果比较。作者据此认为该处理器更适合可穿戴 BCI，但实际可穿戴系统中的收益仍需结合完整实验条件核对。 复现时需确认量化配置及精度变化、FPGA 型号与运行频率、功耗测量范围、延迟计量口径，以及对照实现是否采用可比的网络与硬件条件。实验协议、消融及统计信息尚未验证；摘要也不足以确认端到端在线 BCI 的实时性表现。

    阅读价值：该研究将 EEGNet 低精度量化与 FPGA 流式架构联合优化，值得核对其分类精度、功耗和延迟之间的权衡，尤其是量化配置与硬件对照条件。

  9. OpenReview · State space models70

    PhysMamba：用于远程生理测量的状态空间对偶模型

    基于摘要分析。该研究针对从面部视频提取生理信号的 Remote Photoplethysmography（rPPG）在现实环境中受运动伪迹与噪声干扰的问题，提出 PhysMamba，以基于 State Space Duality 的双路径时频交互学习更具代表性的特征。这是一项远程生理测量方法研究，不是直接的 EEG 或 BCI 验证。 核心机制是通过两条路径开展时频信息交互，并使用改进的 Cross-Attention State Space Duality（CASSD）促进路径间的信息交换与特征互补。摘要未说明两条路径的具体输入表示、CASSD 的计算形式、损失函数或训练与推理流程，这些技术细节尚未验证。 作者报告在 PURE、UBFC-rPPG 和 MMPD 数据集上进行了对比实验，并声称 PhysMamba 达到最先进性能，尤其适用于复杂环境。但摘要未提供具体指标、数值、数据划分、对照方法及复杂环境的定义，因此无法判断优势大小或不同评估协议下的泛化能力。实验协议、消融及统计信息尚未验证；复现还需核对视频预处理、参考生理信号、训练配置和实现可用性。 平台推测（待验证）：若双路径时频互补确实能增强抗噪能力，其机制可能对应 EEG 中时域动态与频谱线索联合建模的需求。迁移需将面部视频输入模块改造为多通道 EEG 表征，并明确监督信号与数据规模，不能假定视频运动伪迹与 EEG 伪迹具有相同结构。低信噪比、跨被试差异、通道配置变化和小数据训练可能削弱交互模块的收益。一个可证伪的小实验是在固定 EEG 数据划分与匹配模型容量下，比较单路径、双路径无交互及加入 CASSD 的版本，并在相同噪声条件下评估；这仅是迁移假设，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：值得核对 PhysMamba 的双路径时频交互与 CASSD 如何应对运动伪迹和噪声，但摘要中的领先性能主张及其向 EEG 的迁移价值尚需验证。

  10. OpenReview · State space models72

    MambaVLT：用于视觉-语言跟踪的时间演化多模态状态空间模型

    基于摘要分析。MambaVLT 针对视觉-语言跟踪中时序信息利用不足、参考特征难以动态更新的问题，提出基于 Mamba 的多模态状态空间模型，通过随时间演化的状态表示支持目标跟踪，并自适应调节视觉与语言参考的权重。 机制方面，模型包含 time-evolving hybrid state space block 和 selective locality enhancement block，用于捕获多模态上下文信息与自适应更新参考特征；另设 modality-selection module，动态调整视觉和语言参考的权重，以缓解任一参考模态可能产生的歧义。摘要将 Mamba 状态演化的时序记忆能力与线性复杂度作为方法动机，但具体状态更新公式、模块连接、损失、训练流程及端到端计算开销尚未验证。 作者报告，该方法在多个基准上相较先进跟踪器表现良好；摘要未提供基准名称、数据划分、对照模型或量化指标，因此尚不能判断优势幅度及适用条件。实验协议、消融及统计信息尚未验证，代码与复现条件也需核对全文。 平台推测（待验证）：其原问题依赖连续视觉序列及视觉、语言参考，时序状态更新与动态模态选择可能为 EEG 与辅助模态融合提供机制参考，对应长时序建模和模态可靠性变化的瓶颈；这不代表已验证的 EEG/BCI 效果。可考虑复用状态更新和模态选择思路，但需改造输入编码、时间对齐、参考表示与任务输出。EEG 的低信噪比、跨被试差异、通道变化及小数据可能导致状态累积噪声或模态权重失稳。一个可检验的小实验是在固定被试和划分的 EEG 多模态任务中，保持编码器与训练预算一致，对比固定融合与动态模态选择，并在辅助模态受扰时检验性能变化。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其如何利用随时间演化的状态空间更新多模态参考特征，以及动态调节模态权重；具体性能优势与 EEG 迁移价值尚未验证。

  11. OpenReview · State space models71

    基于残差分析的非线性响应状态空间模型改进

    基于摘要分析。本文研究具有未知非线性响应的状态空间模型学习问题，以神经网络近似观测方程中的未知非线性部分，并提出基于残差分析的迭代算法，改善隐状态推断与参数估计。 机制上，模型保留线性状态方程，观测方程则包含线性与非线性部分，其中非线性部分的结构未知。算法利用线性模型的残差学习这一未知项，再迭代改进模型。作者称可通过 minorization-maximization 原理说明迭代改进性质；具体优化目标、更新步骤、神经网络结构及成立条件尚未验证。 作者报告，在一个数值示例和电池容量估计案例中，该方法的参数估计与隐状态推断优于既有工具。摘要未提供评价指标、数值结果、基线名称或数据划分，因此不能判断收益幅度及适用范围；实验协议、消融及统计信息尚未验证。复现需核对全文中的模型定义、初始化、残差构造、交替更新与停止条件，以及案例数据和实现可用性。 平台推测（待验证）：若 EEG 时序可近似为线性潜在状态演化与非线性观测映射，该机制可能用于修正线性状态空间模型的观测偏差。可复用的是残差驱动的非线性拟合与迭代估计思路；需改造的是 EEG 多通道观测映射及噪声模型。摘要未说明原任务的数据规模和监督需求。低信噪比可能使残差学习吸收伪迹而非有效信号，小数据以及被试、通道差异也可能削弱稳定性。一个可检验的小实验是先在具有已知潜在状态的 EEG 风格模拟数据上，固定训练与测试划分，对比线性模型和残差改进模型，分别检查状态恢复与观测预测误差，并改变噪声强度以检验收益是否稳健。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是以线性模型残差学习未知非线性观测项、并用 minorization-maximization 原理支持迭代改进的机制，但其对 EEG 隐状态估计的适用性尚未验证。

  12. OpenReview · State space models74

    Mamba-CL：在零空间中优化选择性状态空间模型以实现持续学习

    基于摘要分析。该研究面向持续学习中的灾难性遗忘，提出 Mamba-CL，通过在历史任务特征子空间的正交方向更新参数，持续微调大规模 Mamba 基础模型的核心 SSM，力求保留既有知识并学习新任务。 核心机制是将参数更新限制在历史特征子空间对应的零空间内。作者围绕 Mamba 的四个关键时不变参数推导整体一致性约束，处理 SSM 的递归状态空间结构与非线性离散化过程，再以零空间投影实现正交更新。作者声称，该方法在理论上保证各 SSM 模块在先前与当前任务上的输出一致性目标；具体保证的假设、约束范围，以及模块级一致性如何对应最终任务性能，需结合全文核对。 作者报告，在四个类别增量学习基准上，Mamba-CL 展现出抗遗忘效果，性能优于所比较的先进方法。摘要未提供基准名称、任务序列、数据划分、指标或具体数值，因此无法判断提升幅度及不同协议下的可比性。实验协议、消融及统计信息尚未验证。摘要称代码位于补充材料中，但其可获取性、运行配置与复现要求尚未核对。 平台推测（待验证）：该机制可能对应 EEG 持续学习中新增类别或连续会话更新引起的遗忘，但依赖历史特征子空间能稳定表征需保留的知识。可复用的是零空间投影与参数一致性约束；需改造的是 EEG 时序输入、通道适配和特征子空间估计。低信噪比、跨被试差异、通道变化及小样本可能使子空间估计不稳定，或过度限制更新、妨碍新任务学习。一个可检验的假设是：在固定 EEG 类别增量协议下，使用相同 Mamba 骨干与数据划分，对照普通顺序微调和零空间约束更新，检验历史类别 Accuracy 的保留是否以新类别学习能力下降为代价。上述迁移不属于本文已验证结果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其针对 Mamba 核心 SSM 参数推导的一致性约束与零空间投影实现，尤其是理论保证的适用条件及抗遗忘与新任务学习能力之间的权衡。

  13. OpenReview · State space models78

    MambaByte：无 token 的选择性状态空间模型

    基于摘要分析。MambaByte 研究直接从原始字节学习的无 token 语言建模，旨在避免子词分词的归纳偏置，同时缓解字节序列更长带来的计算与内存压力。其核心贡献是将 Mamba 状态空间模型（SSM）用于字节序列的自回归训练，并提出结合 tokenized drafting 与 byte-level verification 的推测解码适配方案。 机制上，摘要将标准自回归 Transformer 随序列长度增长的内存需求，与 Mamba 的固定大小记忆状态及高效解码进行对照。MambaByte 的建模单位是字节，而非子词；推测解码则用 token 化序列生成草稿，再在字节层面验证。具体状态更新、选择性机制、训练损失及草稿验证流程尚未验证。 作者报告，MambaByte 在语言建模任务上可与先进的子词 Transformer 竞争，部分表现更优，并保留无 token 模型的噪声鲁棒性优势。作者还报告，其推测解码适配方案相较标准 MambaByte 实现获得 2.6 倍推理加速，解码效率与子词 Mamba 相近。摘要未提供对应数据集、模型规模、任务指标、硬件、生成长度及对照配置，因此这些结果只能在作者所述比较范围内理解，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其固定大小状态机制可能对应 EEG 长时序处理中随窗口长度增长的资源瓶颈，但字节语言建模依赖离散序列与自回归监督，不能直接等同于连续、多通道 EEG 建模。可考察 SSM 主干的复用，输入编码与训练目标需改造；tokenized drafting 的优势是否成立则取决于 EEG 是否存在合适的离散草稿表示。低信噪比、跨被试分布差异、通道变化及小数据可能削弱效果。一个可检验的小实验是在固定数据划分和参数预算下，比较 SSM 与 Transformer 在不同 EEG 窗口长度上的任务指标、峰值内存及推理延迟。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：值得阅读其以固定大小状态处理长字节序列的机制，以及结合 tokenized drafting 与 byte-level verification 的推测解码方案；摘要中的语言建模与效率结论仍需结合完整实验协议核对。

  14. OpenReview · State space models73

    SMamba：通过可伸缩状态空间模型实现任意尺度超分辨率

    基于摘要分析。研究针对任意尺度超分辨率（ASSR）：用单一模型将低分辨率图像重建为任意目标尺度的高分辨率图像。作者提出正文称为 S³Mamba 的方法，通过 Scalable State Space Model（SSSM）构建可随尺度调整的连续表示空间，并结合尺度感知自注意力提取不同尺度下的重要全局特征。 机制上，摘要将隐式神经表示（INR）描述为连接坐标与像素值、重建连续信号的途径。SSSM 在离散化过程中调制状态转移矩阵及步长采样矩阵，作者称由此实现具有线性计算复杂度的连续尺度建模。尺度感知自注意力用于补充不同尺度下的全局特征感知；具体调制公式、尺度条件的注入方式、训练损失，以及线性复杂度是否涵盖完整网络，尚未验证。 作者报告，在合成与真实场景基准上的实验取得了最先进的性能及任意超分辨率尺度下的泛化能力。摘要未提供基准名称、训练与测试尺度划分、对照方法、指标或数值，因而尚不能核对其提升幅度，或区分已见尺度与未见尺度的泛化。实验协议、消融及统计信息尚未验证；代码与复现条件亦未确认。 平台推测（待验证）：假设该尺度条件化的连续表示机制可用于 EEG 时间轴重采样或缺失采样点重建，其潜在对应问题是不同采样率下的信号表示一致性，而不是直接提升 BCI 分类效果。可考虑复用尺度调制的状态空间模块，但需将二维图像坐标改为时间坐标，并处理通道结构、频带约束与抗混叠；原任务依赖低分辨率输入及高分辨率重建目标，迁移所需监督和数据规模尚不明确。低信噪比、小样本及跨被试差异可能使模型重建伪波形或失真频谱。一个可证伪的小实验是在按被试隔离的数据上，对高采样率 EEG 进行抗混叠降采样，比较该机制与常规插值在未见采样比例下的波形、频谱及下游任务表现。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其通过离散化过程中的状态转移与步长采样调制实现连续尺度建模的机制，尤其是线性复杂度的适用范围及尺度外泛化证据；其对 EEG 的价值尚未验证。

  15. OpenReview · State space models73

    探索视觉状态空间模型对后门攻击的鲁棒性

    基于摘要分析。该研究考察 Visual State Space Model（VSS）对后门攻击的鲁棒性，重点分析状态空间模型（SSM）机制与图像 patch 处理如何影响触发器的有效性，并据此研究一种在每个 patch 中重复出现、旨在抵抗 patch 扰动的后门触发方式。 后门攻击使受感染模型在特定触发器出现时输出目标标签，而在正常样本上保持正常行为。作者报告，在所考察的不同触发器与模型对照中，SSM 捕获 patch 内上下文信息的机制使 VSS 比不含 SSM 的模型更容易受到后门触发器影响；另一方面，所测试的 patch 处理方式能够有效破坏这些触发器。逐 patch 重复触发的设计针对这一现象，试图使后门在 patch 扰动下仍然有效。摘要未提供具体触发器形式、投毒过程或 patch 处理操作。 作者报告，在三个数据集及多种后门攻击的实验范围内，VSS 的后门鲁棒性与 Transformers（ViTs）相近，但低于仅堆叠 Gated CNN blocks、不含 SSM 的 Gated CNNs。数据集名称、模型配置、训练与评估划分、投毒比例、攻击成功率及正常样本性能尚未验证，因此不能据此作定量比较或推广到所有 VSS 架构。实验协议、消融及统计信息尚未验证，复现时应重点核对架构对照是否控制了训练条件，以及 patch 处理对正常任务性能的影响。 平台推测（待验证）：如果 EEG 分类模型也采用分段 token 与 SSM 上下文建模，重复的局部触发模式可能形成类似安全风险，但图像 patch 结论不能直接外推到 EEG。可复用的是局部触发、分段扰动与无 SSM 对照的评估思路；需改造的是适合 EEG 时间段及通道结构的触发方式。低信噪比、跨被试差异、通道布局变化和小数据条件均可能改变触发效果。一个可检验的小实验是在固定 EEG 数据划分和训练条件下，对比 SSM 与非 SSM 模型受到单段及重复分段触发时的攻击成功率和正常样本 Accuracy，同时评估分段扰动的影响。相关 EEG 后门研究尚未检索确认。

    阅读价值：该研究通过后门触发器与 patch 处理的对照分析考察 SSM 的安全风险，值得核对其能否区分 SSM 机制本身与其他架构、训练因素的影响。

12月31日周日
  1. OpenReview · EEG72

    基于频域深度学习的 EEG 多伪迹去噪

    基于摘要分析。该研究针对 EEG 中神经活动与眼动、肌肉等生理伪迹混杂的问题，提出在频域运行的深度学习去噪模型，利用噪声频谱特征先验自适应计算用于噪声分离的卷积滤波器。 机制方面，模型通过训练学习噪声及含噪信号的频谱特征与去噪非线性变换之间的经验关系。其值得关注之处在于将噪声的频谱知识用于滤波器适配，而不是仅将去噪描述为固定映射。摘要未说明频域表示方式、先验的具体形式、滤波器生成过程、损失函数或推理时所需的噪声信息，这些实现条件尚未验证。 作者报告，在 EEGdenoiseNet 数据集的评估中，该方法按时间域和频谱指标衡量的表现达到或超过基准模型，并能去除肌肉与眼动伪迹，无需针对特定伪迹类型进行训练。摘要未提供具体指标名称、数值、对照模型、训练与测试划分，也未明确该结论对应何种伪迹类型留出或混合设置，因此不能将其直接解释为已验证的跨被试、跨会话或未知伪迹泛化。 复现时需核对噪声频谱先验的获取方式、训练和推理的信息需求，以及“无需针对特定伪迹类型训练”的操作定义。实验协议、消融及统计信息尚未验证。该研究直接涉及 EEG 去噪，但摘要未提供下游 BCI 解码或临床诊断评估，因而去噪指标上的改善是否保留任务相关神经信息、是否带来下游性能提升，仍需验证。

    阅读价值：值得核对其利用噪声频谱先验自适应计算卷积滤波器的机制，以及作者报告的无需针对特定伪迹类型训练即可去除眼动与肌肉伪迹的评估条件。

12月17日周日
  1. OpenReview · Representation learning78

    视频自监督表征学习的基准评估

    基于摘要分析。该研究针对视频自监督表征学习中实验设置不统一、方法间难以比较的问题，提出统一比较基准，并系统研究预训练数据及模型选择对下游表现的影响。作者还依据研究观察提出一种使用有限训练数据的方法，但摘要未说明其具体机制。 研究覆盖数据集规模、复杂度、数据分布、数据噪声和特征分析五个方面。作者报告，实验涉及七种方法、七种网络架构、五个数据集及两种下游任务；摘要未列出名称、数据划分、评估指标及各方法与架构的组合方式。这些数量仅说明研究覆盖范围，不能据此判断各设置之间的可比性。 作者报告，所提出方法在使用有限训练数据时，优于使用其十倍预训练数据的已有最先进方法。该结论对应的任务、指标、数据来源、对照方法与训练预算尚未验证，不能解读为通用的数据效率优势。复现时需核对统一基准如何控制架构、预训练预算和下游评估方式，以及各项观察是否得到消融与统计分析支持；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：对数据规模、分布和噪声的分项评估思路，可用于考察 EEG 自监督预训练在小数据和跨被试条件下的稳定性；可复用的是评估框架，而非尚未披露的视频方法机制。若用于 EEG，需改造输入表示、预训练任务与噪声设置，并控制被试划分。低信噪比、通道差异和小样本可能改变视频领域观察到的规律。一个可检验的小实验是在固定模型与下游标注预算下，改变无标签 EEG 预训练数据规模和噪声强度，以固定跨被试划分检验表征收益是否稳定。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读的是其在统一评估条件下考察视频自监督学习对数据规模、分布及噪声等因素的依赖，可为预训练方法的公平比较提供参考；具体协议与结论适用范围尚未验证。

10月8日周日
  1. OpenReview · Representation learning76

    表征投影不变性缓解表征坍塌

    基于摘要分析。本文研究预训练语言模型微调时的表征退化（表征坍塌）问题，提出 Representation Projection Invariance（REPINA）正则化，通过抑制不期望的表征变化来维持表征的信息含量。研究同时扩展了表征坍塌的分析，并提出若干量化指标。 机制与证据：摘要将 REPINA 描述为作用于微调过程的表征约束，但未提供投影操作、约束对象或损失的具体形式，这些细节尚未验证。作者报告，在包含 GLUE benchmark 和六个额外数据集的 13 项语言理解任务上，与 5 个可比基线进行域内评估时，REPINA 在其中 10 项任务上优于其他基线。作者还报告分布外表现改善、少样本设置下有效，以及对标签扰动具有鲁棒性；摘要未给出相应指标、效应大小及具体协议，不能据此比较不同评估条件下的收益。作者报告其方法更有效地缓解表征坍塌，但坍塌指标与下游性能之间的关系仍需核对正文。 平台推测（待验证）：迁移假设是，若预训练 EEG 表征在小样本任务微调中也出现信息退化，类似表征正则化可能有助于保留可迁移信息。原方法依赖预训练语言模型的上下文表征与下游微调流程；其具体监督条件、数据规模要求及投影机制尚未验证。可借鉴的是约束表征变化和量化坍塌的思路，需改造的是 EEG 时间窗、通道结构及预训练与微调表征的对应方式。低信噪比、跨被试差异及通道变化可能使约束保留噪声或被试特异信息，过强约束也可能阻碍任务适应。 可检验的小实验：取得完整方法后，在固定的 Cross-subject EEG 划分下，对同一预训练模型比较常规微调与加入 REPINA 的微调，统一标签预算和调参规则，同时观察任务指标及表征坍塌指标是否共同改善。此方案并非已验证结果；已有 EEG 相关工作尚未检索确认。完整实验协议、消融及统计信息尚未验证。

    阅读价值：REPINA 将微调中的表征坍塌缓解与域内、分布外及少样本表现联系起来，值得核对其正则化定义、坍塌度量及基线比较，但其对 EEG 微调的价值尚未验证。

8月1日周二
  1. OpenReview · Representation learning74

    用于高维数据学习的高效稀疏表示

    基于摘要分析。本文针对高维数据稀疏表示求解中迭代成本较高、收敛前迭代次数未知，以及计算过程中的稀疏率（SR）变化常被忽略的问题，提出 approximated local linear representation（ALLR）及其带对称约束的版本 ALLRSC，旨在提高表示学习的计算效率。 核心机制是在概率单纯形约束下进行局部性约束线性表示学习。ALLR 从单个局部性约束稀疏表示中获得闭式解；ALLRSC 进一步施加对称约束，以有限计算获得对称稀疏表示。作者报告，理论分析可保证表示的稀疏性与收敛性，并强调迭代过程中 SR 的持续下降具有实际意义。摘要未给出 SR 的具体定义、闭式解形式、局部性构造方式或理论保证所需假设，需通过全文核对。 作者报告，在公共数据集上的高维数据学习实验中，所提算法优于若干先进算法；但摘要未列出数据集、任务、划分、基线名称、评价指标或具体数值，不能据此判断优势幅度与适用范围。实验协议、消融及统计信息尚未验证，复现所需实现与参数设置亦尚未验证。 平台推测（待验证）：其潜在 EEG 迁移路径，是将高维试次特征作为样本，用局部线性关系构建稀疏表示，再用于分类或相似性建模；这一假设依赖特征空间中的邻域确实反映任务相关结构，已有 EEG 相关工作尚未检索确认。可复用部分是表示求解与对称约束机制，需要改造特征提取、距离度量及邻域构建。低信噪比、跨被试分布差异、通道配置变化和小样本可能使邻域失真。一个可检验的小实验是在固定 EEG 特征和被试内划分下，比较 ALLR、ALLRSC 与同条件稀疏表示基线的下游 Accuracy、求解耗时和 SR 变化，并仅用训练集确定参数与参考样本，以检验效率收益是否伴随任务性能损失。

    阅读价值：值得核对 ALLR 的闭式解与 ALLRSC 的对称约束如何降低稀疏表示计算成本，以及稀疏性、收敛性保证的适用条件；其对 EEG 数据的价值尚未验证。

7月10日周一
  1. OpenReview · Representation learning72

    电商购物行为的拓扑表征学习

    基于摘要分析。本文研究如何从客户购物行为中学习紧凑表征，以支持电商推荐相关任务；作者将产品类别层面的客户交互定义为购物轨迹，并提出端到端模型 C-STAR，为变长购物轨迹学习嵌入。 机制上，C-STAR 显式捕获轨迹分布相似性与轨迹拓扑语义，从结构和语义两个方面形成由粗到细的轨迹表征学习范式。摘要未说明拓扑的具体定义、相似性计算方式、网络结构、损失函数及训练监督，因此尚不能判断这些信息如何被联合编码，也不能将其等同于特定的图学习或拓扑数据分析算法。 作者报告，在 Amazon 私有数据和四个公开数据集上，所学嵌入对客户分群、购物轨迹补全等客户中心任务有效。公开数据集名称、划分方式、对照基线、具体指标及提升幅度均尚未验证；实验协议、消融及统计信息尚未验证，代码与数据可获得性也需核对。 平台推测（待验证）：假设 EEG 中的状态变化可被可靠离散化为变长轨迹，分布相似性与轨迹拓扑语义的联合表征可能用于研究跨被试状态序列差异。原方法依赖产品类别交互结构，但摘要未明确监督形式和数据规模；可考虑复用轨迹编码思路，而输入表示、状态定义及拓扑构造需要改造。低信噪比、被试差异、通道配置变化和小数据可能使轨迹结构不稳定。一个可检验的小实验是在固定 EEG 数据划分与状态提取流程下，对比分布表征、拓扑表征及二者联合表征的跨被试任务表现；这仅是迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注 C-STAR 如何同时编码变长轨迹的分布相似性与拓扑语义，但摘要不足以判断具体实现及其向 EEG 时序表征迁移的有效性。