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。

422 条精选近 30 天 128 条共收录 693 条

更新

精选归档 · 第 22 页

12月31日周三第 421–422 条
  1. OpenReview · EEG73

    Localization Estimation Algorithm（LEA）：一种求解 EEG/MEG 逆问题的有监督先验方法

    基于摘要分析。本文研究 EEG/MEG 源定位与源强度估计中的病态逆问题，提出 Localization Estimation Algorithm（LEA）：利用激活概率先验分布定位并选择源子集，再估计这些源的幅度，以改善求解系统的欠定程度，并根据先验与测量数据的一致性调节先验的影响。 技术机制：分布式源模型能够引入解剖和功能先验作为空间正则化约束，但其方程系统仍可能因病态和欠定而产生不稳定解。LEA 的核心思路不是直接估计全部分布式源，而是借助先验筛选待估计的源。摘要还强调先验影响应受到观测数据一致性的约束；具体源选择规则、一致性度量及调节方式尚未验证。标题中的“有监督”如何实现、先验来自何种数据，也不能由摘要确定。 评估证据：作者报告通过数值仿真评估 LEA，并与经典 Weighted Minimum Norm 估计比较。摘要未提供具体结果、评价指标、噪声条件、源配置或先验偏差设置，因此尚不能判断定位精度、幅度估计误差及稳定性的改善幅度。实验协议、消融及统计信息尚未验证。 适用边界与复现条件：这是一项 EEG/MEG 源重建方法研究，不是 BCI 任务解码性能验证。复现需进一步核对前向模型、激活概率先验的构造、源子集选择与求解步骤，以及对照方法的正则化设置。尤其值得核对先验失配和低信噪比条件下的表现，以检验数据一致性调节是否能够减轻错误先验对重建结果的影响；这些属于待验证事项，而非摘要已证实的结论。

    阅读价值：值得关注 LEA 如何借助激活概率先验选择源子集，并根据先验与 EEG/MEG 测量的一致性调节其影响；相对 Weighted Minimum Norm 的收益仍需核对全文中的仿真协议与结果。

1月1日周一
  1. OpenReview · State space models83

    试错：空间受限学习的一种新方法

    基于摘要分析。本文研究 PAC 学习算法在任意时刻最多存储 d 个样本的约束下，哪些概念类仍然可学习。作者引入概念类的压缩参数并设计 trial and error 学习算法，作者报告的理论结论是：概念类具有 d-space 可学习性，当且仅当其压缩参数不超过 d。 这里的空间约束以所存储的样本数量定义，不能直接等同于程序总内存、模型参数量或神经网络状态大小。算法不要求输出假设与整个训练样本集一致；摘要将这一点与 Floyd 针对特定概念类的一致性空间受限学习方法作对照。代价是需要较大的样本量，压缩参数出现在样本量表达式的指数位置，但摘要未提供具体界、置信度与误差参数的依赖关系。 作者报告了若干可在多项式时间内进行空间受限学习的概念类，包括具有有限 VC-dimension 的所有交封闭概念类、R² 中的凸 n 边形、Rⁿ 中的半空间以及 R² 中三角形的并，并进一步讨论压缩参数与 VC-dimension 的关系及其变体。这些属于学习理论结论，而非 EEG 解码实验结果；证明条件、算法步骤及复杂度的具体表达式尚未验证。 平台推测（待验证）：该理论可能为受存储限制的 EEG 样本保留策略提供分析视角，但依赖目标假设类的压缩性质及 PAC 学习前提，不是状态空间模型或现成的 BCI 解码方法。若尝试迁移，需要先明确 EEG 特征上的概念类与样本保留规则，并核对噪声、跨被试差异及跨会话漂移是否破坏相关前提；样本量需求还可能与小数据场景冲突。一个可检验的小实验是固定 EEG 特征与半空间分类器，在相同被试内划分下比较受样本存储预算限制的策略与保留全部训练样本的对照，分别记录 Accuracy、保留样本数与所需训练样本量；这只能检验工程可行性，不能替代理论证明。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其以压缩参数刻画受存储约束 PAC 可学习性的理论结果，以及放弃全样本一致性所带来的存储与样本量权衡；其对 EEG/BCI 的适用性尚未验证。