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。

504 条精选近 30 天 137 条共收录 810 条

更新

精选归档 · 第 26 页

1月1日周六第 501–504 条
  1. OpenReview · State space models75

    基于变换空间模型演化的快速在线适应

    基于摘要分析。本文研究连续密度隐马尔可夫模型的在线线性回归适应，提出通过变换空间模型（transformation space model，TSM）演化，利用训练说话人的先验知识实现快速适应。主要研究对象是说话人适应，而非 EEG 解码或 BCI。 核心机制是用因子分析或概率主成分分析等潜变量模型，描述与最大似然线性回归矩阵参数相关的 TSM。该模型提供回归参数的相关性信息、先验分布及先验知识；作者进一步构造 quasi-Bayes 估计算法，同时增量更新 TSM 超参数与回归矩阵。所提出的演化框架将批量 TSM 适应包含为特例。具体潜变量维度、估计公式及更新调度尚未验证。 作者报告，在有监督说话人适应实验中，当适应数据较少时，该方法比传统 quasi-Bayes 线性回归更有效。摘要未提供数据集、适应数据量、评价指标或数值，因此无法量化收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可检验的迁移假设是，将多被试训练所得的变换参数分布作为先验，可能有助于减少 EEG 跨被试适应所需的标注数据。可复用的是变换参数的潜变量先验与增量更新思路；需改造的是 EEG 特征、基础解码器及其线性变换接口。该路径依赖训练被试间存在可共享的参数结构，以及目标被试提供有监督适应数据；EEG 低信噪比、通道不一致和被试差异可能使先验失配，少量数据下的在线更新也可能不稳定。 一个小规模可证伪实验是：固定 EEG 特征与基础解码器，仅用训练被试拟合变换先验，在留出被试上比较固定先验和增量更新先验两种方案，并保持标注适应数据预算一致、适应集与测试集分离。若增量更新未改善预先指定的解码指标，便不支持该迁移假设。相关已有 EEG 工作尚未检索确认。

    阅读价值：值得阅读其将回归变换参数先验与在线超参数更新结合的少数据适应机制；作者报告的收益来自有监督说话人适应，尚不能视为 EEG 或 BCI 中的有效性证据。

  2. OpenReview · State space models73

    应用降维限制假设空间规模的研究

    基于摘要分析。本文研究预测型归纳逻辑编程（Inductive Logic Programming，ILP）的搜索效率问题：在给定样本数据及以逻辑程序编码的背景知识时，如何缩小用于寻找分类规则的假设空间。核心方法是将特定类型 ILP 系统中的候选子句表示为高维空间中的点，再利用特征选择去除统计相关性较低或无相关性的维度。 机制与对照：传统生成—检验流程反复搜索并评估候选子句，其最坏情况时间复杂度受假设空间规模和子句质量估计成本共同影响。本文区别于在既定空间内少搜索一些子句或加速子句评估的策略，在已有语言约束与搜索约束之上进一步缩减空间本身。作者提出，从几何空间中抽取点样本进行特征选择，所得低维表示在最坏情况分析下可直接对应较小的假设空间；具体子句编码、采样方式、相关性判据及特征选择算法尚未验证。 评估与证据边界：作者报告在一个受控图领域，以及涉及 mutagenesis（诱变性）和 carcinogenesis（致癌性）的两个生物化学实际数据集上开展评估，对特征选择前后的假设空间规模作无偏估计，并比较两个空间中完整搜索所得结果。摘要未提供缩减幅度、运行时间、分类指标、数据划分或统计结果，因此不能据此认定其获得了具体精度收益或实际加速；实验协议、消融及统计信息尚未验证。 本文主要对象是逻辑规则学习中的组合搜索，并非 state space models 或 EEG/BCI 建模。摘要中的生物化学数据集属于方法评估场景，不构成 BCI 有效性的证据；材料未建立该子句表示与神经信号任务的具体对应关系，因此不提出 EEG 迁移或复现实验建议。

    阅读价值：值得阅读的具体原因是其将 ILP 子句搜索空间几何化，用特征选择缩减候选空间，并通过缩减前后的完整搜索比较考察这一策略，而非仅加速固定空间中的搜索。

12月31日周三
  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。