跳到正文

算法、任务与模态

Loss Design 最新动态

Loss Design 研究索引；按可核对的标签归档，不以热度评价质量。

106 条精选近 30 天 77 条共收录 130 条

更新

精选归档 · 第 6 页

1月16日周二第 101–106 条
  1. OpenReview · Representation learning79

    正确的 Laplacian 表征学习

    基于摘要分析。本文研究强化学习中的状态表征问题，提出用于近似 Laplacian 表征的新目标函数及配套优化算法，旨在准确恢复图 Laplacian 的特征向量和特征值，避免既有近似方法中的任意旋转及相关超参数依赖。 Laplacian 表征通过图的谱结构编码状态，可用于探索、泛化与迁移，也可为时间扩展动作发现和奖励塑形提供内在奖励。摘要指出，既有适配深度学习的近似目标存在难以高效调节的超参数，且可能收敛到目标特征向量的任意旋转，无法准确恢复对应特征值。作者报告，新方法具有理论保证，并在多个环境中表现出稳健的学习效果；但摘要未提供目标函数形式、优化步骤、环境名称、基线及量化指标，实验协议、消融及统计信息尚未验证。“消除超参数依赖”应限定为摘要所指的既有近似方法依赖，不能解释为整个训练过程无需超参数。 平台推测（待验证）：若 EEG 数据能够构造具有可靠邻接关系的样本图，该方法可能用于学习保留谱结构的表征，探索 EEG 表征的稳定性问题。这是假设，原领域效果不等于 BCI 效果。迁移需核对原方法对状态转移数据、图构造和采样规模的要求；可考虑复用谱目标与优化机制，但需改造 EEG 编码器及邻接关系。低信噪比、跨被试差异、通道配置变化和小数据可能使图结构偏离任务相关关系，即便谱恢复准确也未必改善解码。一个可检验的小实验是在固定 EEG 样本图、编码器与被试内划分下，对比既有近似目标和新目标的谱恢复误差、多次训练稳定性及下游解码表现；具体方案须待全文核对后确定。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其目标函数与优化算法如何消除 Laplacian 表征的任意旋转并同时恢复特征值，这直接关系到谱表征的可辨识性与复现稳定性，但具体实验协议尚未验证。

1月1日周一
  1. 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。

10月27日周五
  1. OpenReview · EEG70

    使用潜在扩散模型生成合成睡眠 EEG 信号

    基于摘要分析。本研究针对 EEG 数据可用性不足及医疗数据共享受隐私限制的问题，探索结合 spectral loss 的潜在扩散模型，生成睡眠阶段的 30 秒合成 EEG 片段。其核心贡献是将频谱约束引入生成过程，以保持 EEG 特定频带中的结构化振荡。 机制方面，作者强调 spectral loss 对生成符合 EEG 特征的振荡结构至关重要。不过，摘要未提供潜在表示的编码方式、扩散模型结构、频谱损失的具体形式与权重，也未说明睡眠阶段是否作为生成条件；这些实现细节尚未验证。 数据与评估方面，作者使用 Sleep EDFx 和 SHHS 两个大型睡眠数据集训练模型，以 Multi-Scale Structural Similarity Metric、Frechet inception distance 及频谱图分析评估合成信号质量。作者报告，在上述生成质量评估下，模型能够产生具有适当神经振荡特征的逼真信号；摘要未给出指标数值、数据划分、被试内或跨被试协议、对照基线及统计结果，实验协议、消融及统计信息尚未验证。 证据边界方面，作者提出该方法可能缓解 EEG 数据稀缺，但摘要所述信号质量评估不能直接证明合成数据能提升睡眠分期或其他下游任务，也不能据此认定其具备隐私保护能力。复现时需核对预处理、通道配置、潜在编码与训练设置，并验证频谱约束的独立贡献、合成数据的下游效用，以及模型是否记忆训练样本；代码与模型权重的公开情况尚未验证。

    阅读价值：值得关注其以 spectral loss 约束潜在扩散模型生成睡眠 EEG 频带振荡的机制，但合成数据能否改善下游任务及保障隐私尚未验证。

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。

9月23日周六
  1. OpenReview · Representation learning70

    用于无监督表征学习的因果排序先验

    基于摘要分析。研究针对变分推断式无监督表征学习对潜变量独立性假设的依赖，提出一种完全无监督的方法：在潜在数据生成过程中引入加性噪声模型（ANM），并通过基于潜在分布 Hessian 的损失鼓励潜在空间遵循因果排序。 机制与贡献：作者认为，数据中的变化因素可能存在因果关系，因此允许潜变量因因果关系而相关，比直接假定独立更符合其建模目标。该方法受功能因果模型中的因果发现启发，将因果排序作为表征学习的先验。摘要将其与依赖辅助信息、弱标签、干预或反事实数据的可证明可识别方法相对照，但未提供足以确认本方法可识别性的定理与条件；不能将“鼓励因果排序”等同于恢复真实因果结构。 证据边界：摘要未提供具体损失表达式、Hessian 的估计方式、模型结构、数据集或定量结果。实验协议、消融及统计信息尚未验证；复现时需核对 ANM 的适用假设、潜在分布估计与二阶导数计算方式，以及排序约束与表征质量之间的关系。 平台推测（待验证）：若 EEG 的潜在生成因素具有可由 ANM 近似的有向依赖，该排序先验可能为相关潜因素的建模提供思路，但原领域机制不等于已证实的 BCI 效果。可复用的是潜在空间约束，需改造的是 EEG 时序编码与分布估计；低信噪比、通道混合、跨被试差异及小样本可能使 Hessian 估计不稳定，或使假定的因果结构不适用。一个可证伪的小实验是先在具有已知潜在 ANM 和通道混合的合成 EEG 数据上，在相同编码器与训练划分下比较有无排序损失的结构恢复与噪声敏感性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的具体机制是以潜在分布的 Hessian 构造损失来鼓励因果排序，可用于考察无辅助监督的因果表征学习，但其可识别性条件与实验效果尚未验证。

9月16日周六
  1. 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。