跳到正文

算法、任务与模态

Supervised 最新动态

Supervised 研究索引；按可核对的标签归档，不以热度评价质量。

23 条精选近 30 天 21 条共收录 31 条

更新

精选归档 · 第 2 页

9月14日周一第 21–23 条
  1. OpenReview · Representation learning73

    ΔRepresentation：通过反事实推理为医学 VLMs 学习几何监督的表型表征

    基于摘要分析。该研究针对医学 VLMs 中病理表型与正常解剖信息混合编码的问题，提出 ΔRepresentation：先学习解剖表征，再以病灶相对于对应正常解剖的表征增量刻画表型，而不只依赖语义引导的表征对齐。 框架包含两个模块。BaseAnatomy 利用解剖结构内部及结构之间的空间关系提供细粒度几何监督；ΔPhenotype 计算病灶表征与对应正常解剖表征之间的增量，并监督同一表型的增量在表征空间中聚集。其关键设计是把学习对象从病灶整体表征转向相对于正常解剖的变化量。摘要未说明正常参照如何获取、配对或生成，也未给出具体损失形式与训练流程；“反事实”在此是作者的方法定位，不能据此认定其识别了因果效应。 作者报告，在 ReXGroundingCT 和 LIDC-IDRI 上，该方法改善了病理表型表征的组织性，并提高了医学 VLMs 的病灶定位与表型刻画准确性。摘要未提供具体分数、数据划分及对照基线，实验协议、消融及统计信息尚未验证。复现时应重点核对正常参照构造、几何监督来源，以及两个模块分别带来的收益。摘要提供了代码地址，但代码内容与可运行性尚未验证。 平台推测（待验证）：假设 EEG 中存在可靠的条件匹配参照，增量表征思路可能用于区分稳定背景活动与任务相关变化，对应被试或会话差异掩盖任务信号的瓶颈。可借鉴差分表征与同类增量聚集目标，但解剖空间监督需改造为适用于 EEG 的通道或时空关系约束，且依赖参照匹配、任务标签与可用数据规模。低信噪比可能使差分放大噪声，跨被试参照失配、通道变化和小数据也可能破坏增量的一致性。一个可证伪的小实验是在固定 Cross-subject 划分下，比较原始表征与使用被试内匹配基线构造的增量表征，并加入打乱参照对照，检验收益是否确实依赖有效参照。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将正常解剖表征与病灶相关增量分开建模，为核对几何监督与反事实差分能否改善表型表征提供了明确机制，但其对 EEG/BCI 的价值尚未验证。

9月5日周六
  1. OpenReview · EEG76

    CoEEG：EEG 解码中的协作学习基准评估

    基于摘要分析。CoEEG 针对 EEG 解码中的被试间差异、单用户标注稀缺及隐私限制下的数据分散问题，构建联合比较模型与协作学习协议的基准。其贡献是将 MI（运动想象）、SSVEP、P300 三种范式、不同模型家族及共享边界放入统一评估框架，而非将协作学习视为普遍有效的训练方案。 基准覆盖具有范式特定先验的传统机器学习模型、从头训练的深度模型及 EEG 基础模型，共比较十种模型和四种涵盖非协作与协作训练的协议。摘要未给出协议名称、客户端构成、具体数据集或被试划分，不能据此判定结果属于何种 Within-subject、Cross-subject 或 Cross-session 设置。 作者报告，SSVEP 中十种模型有九种从协作中获益，并将这一现象解释为被试间决策边界较为共享；P300 中，只有各客户端保留私有分类头时，所有模型才均获益；MI 的收益则集中于独立训练表现较差的模型。在六个联邦评估组合中，从头训练模型家族的平均表现更高，但某个基础模型在其中两个组合取得单模型最佳成绩；摘要未说明这些组合的定义及对应指标。 作者以测得的表征对齐程度和推断的决策边界共享程度解释共享边界的作用，并报告私有分类头在 MI 中产生分化，未改善最弱客户端。摘要还报告 SSVEP 中最弱客户端下降 20.7 个百分点、最强客户端下降 9.3 个百分点，但对应指标、参照协议与客户端分组方式尚未验证，不能据此推导绝对表现。 作者报告，纳入参数量、内存及通信后，轻量模型在多数设置中具有更好的性能—成本权衡，最大基础模型的传输量最高达 378.73 GiB；该数值对应的训练轮次、统计范围及通信方向尚未验证。复现时应重点核对共享与私有模块、客户端数据划分、弱势客户端定义和成本核算口径；实验协议、消融及统计信息尚未验证。

    阅读价值：CoEEG 将 EEG 范式、模型家族与参数共享边界纳入同一评估框架，值得核对其协作收益、弱势客户端表现及通信成本之间的权衡，但具体协议与统计可靠性尚未验证。

9月23日周二
  1. OpenReview · Representation learning75

    关系表征学习

    基于摘要分析。该研究提出 Relational Representation Learning（RRL），将表征学习统一描述为关系图估计问题：不再孤立地处理样本，而是通过样本间的成对关系定义学习目标，并由编码器产生的嵌入估计关系图、最小化其与指定目标图的差异。 核心贡献是把自监督、半监督与监督学习目标纳入同一数学框架。作者据此分析自监督学习中的收敛缓慢、性能差异，以及 projector 与 backbone 的准确率差距，并讨论辅助投影头的作用。摘要未给出关系图的具体构造、差异度量、损失形式或训练流程，这些实现细节尚未验证。 作者报告，在其所用实验设置中，提高图内关系的丰富度能够加快收敛并改善下游表现。摘要未提供数据集、划分、对照基线、指标数值或关系丰富度的操作定义，因此目前无法判断改善幅度与适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 样本之间能够定义可靠的任务相关关系，RRL 或可用于研究跨被试表征中任务信息与个体差异的分离。其迁移依赖可用的成对关系或监督信息，以及足够稳定的图估计；可复用的是目标图与嵌入关系匹配的思路，需改造 EEG 编码器、关系构造及通道对齐方式。低信噪比可能使图主要反映伪迹，被试与通道差异可能主导样本关系，小数据则可能导致关系估计不稳定。一个可证伪的小实验是，在固定 EEG 数据划分、编码器与训练预算下，比较原有预训练目标和 RRL 目标，并逐步改变关系丰富度，观察收敛速度与同一跨被试协议下的下游指标是否同步改善。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其将多类预训练目标统一为关系图估计的形式化框架，并核对关系丰富度如何影响收敛与下游表现；这些结论在 EEG 场景中的适用性尚未验证。