跳到正文

算法、任务与模态

Optimization 最新动态

Optimization 研究索引；按可核对的标签归档，不以热度评价质量。

86 条精选近 30 天 66 条共收录 93 条

更新

精选归档 · 第 4 页

10月3日周六第 61–80 条
  1. arXiv · EEG 与神经表征76

    COVER：学习在选择性睡眠分期中接受更多预测

    基于摘要分析。该研究针对 EEG 睡眠分期级联中的第一阶段：在给定接受风险目标下，让固定主分类器尽可能多地接受自身预测，将其余片段交给更强模型。作者提出 COVER（COVerage-oriented Error Ranking），通过辅助信息驱动的主分类器错误学习与固定尺度评分器细化，提高可接受预测的覆盖率，而不改变主分类器的预测标签。 核心机制包含两步：首先，用学习得到的错误评分替代最大 softmax 概率（MSP），以识别主分类器更可靠的预测；随后，在经验接受风险约束下直接优化覆盖率，而非仅优化所有 EEG 片段上的错误预测准确性。摘要未说明辅助信息的具体来源、评分器结构、损失形式及固定尺度细化的实现，这些细节尚未验证。 作者在 Sleep-EDF-20 上以 5% 接受风险为目标进行评估，被试从所有拟合与选择流程中留出。作者报告，在相近的被试等权风险下，辅助信息驱动的错误学习将平均被试覆盖率从 MSP 的 31.5% 提升至 48.8%。在每名被试接受片段数相同、合计接受 20,639 个片段的比较中，MSP 与学习评分器的错误数分别为 1,467 和 867。作者还报告，固定尺度细化在嵌套开发评估中相对初始化增加了 1.7 个百分点的覆盖率；最终 COVER 在八种评分器中取得最高平均覆盖率，为 50.4%，对应被试等权风险为 4.5%，比较方法 SELE 与 DuoF 的覆盖率分别为 49.3% 和 43.6%。摘要未给出后二者各自的风险值，不能据此认定它们处于完全相同的风险水平。 阅读与复现时应重点核对辅助信息如何参与训练、风险阈值与评分器的选择流程、嵌套开发协议、被试间风险差异及统计不确定性。该工作评估的是级联入口的选择机制，覆盖率收益不等同于完整级联的计算节省或最终睡眠分期性能提升；完整级联表现、实验协议细节、消融及统计信息尚未验证。

    阅读价值：值得阅读的是其在不改变主分类器预测标签的前提下，将错误排序与接受风险约束下的覆盖率优化结合；作者报告了留出被试上的覆盖率收益，但完整级联的计算节省尚未验证。

  2. arXiv · 多模态与生成机制80

    晶体生成器离散组成通道上的强化学习：经验证的增益与奖励投机

    基于摘要分析。该研究针对晶体生成模型通常学习结构数据库分布、却未直接针对特定设计目标优化的问题，将 group-relative policy optimization（GRPO）推广至基于 stochastic interpolants 与 discrete flow matching 的生成模型，以黑箱奖励引导材料逆向设计，并分析性能提升伴随的奖励投机风险。 核心机制是对生成原子类型的离散流进行强化学习：策略梯度直接作用于原子类型转移的似然，而不是仅笼统地调整整个生成过程。作者将这一作用位置作为区别于既有晶体扩散与流生成强化学习方法的关键。摘要未提供奖励函数的具体形式、GRPO 推广公式或显式防护措施的实现，相关细节尚未验证。 作者报告，在社区基准评估下，所设计奖励使亚稳、唯一且新颖结构（mSUN）的产出比例从预训练模型的 13.4% 提高至强化学习模型的 45.5%。摘要未给出基准名称、样本规模、数据划分或完整筛选规则，不能据此与其他协议直接比较。作者还报告该奖励改善了基于 latent denoising diffusion models 的晶体强化学习框架，但未提供具体数值。 作者发现，直接强化原子类型转移似然会使模型利用奖励漏洞，需要显式防护；同时，社区指标将不同堆积方式的单元素结构也计为 mSUN，可能推高指标而不产生新的化合物。作者强调稳定性判断依赖参考凸包，并报告按支撑该判断的参考相数量分层呈现结果。这提示需同时核对奖励、指标与实际设计目标是否一致；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 离散 token 生成系统具有可计算的转移似然和黑箱任务奖励，可借鉴这一优化位置及奖励审计思路，但材料领域收益不等于 BCI 收益。需要改造 token 定义、奖励与生理合理性约束；低信噪比、跨被试差异和小数据可能使模型放大伪迹或利用评估器偏差。可在固定被试隔离划分下，对照预训练生成器与 GRPO 微调生成器，同时用独立评估器核对任务收益和伪迹变化。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其对离散生成通道的 GRPO 优化及奖励投机的联合分析，尤其是用参考相数量分层审视稳定性指标的评估思路；具体收益与防护机制仍需全文核对。

  3. arXiv · 多模态与生成机制78

    扩散与 flow-matching 后验采样中的引导权重合理设定

    基于摘要分析。该研究针对免训练后验采样（亦称 Plug-and-Play）中先验与测量一致性之间的引导权重通常依赖启发式调节的问题，提出离线自动优化策略，在不重新训练或微调预训练生成模型的前提下，为各时间步确定引导权重。 核心机制是：扩散模型的条件去噪 score-matching 目标及 flow-matching 模型的条件训练目标均具有最小二乘形式。当条件预测表示为无条件网络输出与测量引导项的加权和时，对这两个权重的优化可转化为二维线性最小二乘问题。权重针对给定测量算子、噪声水平和采样器离线求解；作者报告，其计算成本为一个 minibatch 的采样轨迹。这一方法调整的是采样阶段的组合权重，而非预训练模型参数。 作者使用标准的基于 Tweedie 的测量一致性项实例化该策略，并报告在所评估的扩散与 flow-matching 方法中改善后验采样、达到最先进的重建性能。作者还报告，在其扩散采样实验条件下，采样步数可由 1000 降至 50，而重建质量无显著下降。摘要未提供数据集、测量任务、噪声设置、重建指标及具体对照，因此上述结果的适用范围、实验协议、消融及统计信息尚未验证。代码为计划公开，当前材料不能确认已可获取。 平台推测（待验证）：迁移假设是，在 EEG 源重建或缺失通道重建等具有明确测量算子的逆问题中，该策略可能缓解先验约束与观测一致性之间的调参负担。可复用部分是逐时间步的低维权重拟合；需改造部分包括 EEG 生成先验、测量算子及噪声模型。其依赖适配的预训练无条件生成模型和具有代表性的离线轨迹；低信噪比、跨被试分布差异、通道配置变化及小数据条件可能使已优化权重失效。一个可检验的小实验是在固定 EEG 通道掩码和噪声条件下，保持模型与采样器一致，对比启发式权重和离线优化权重，并在独立被试上核对重建误差及采样步数变化。已有 EEG 相关工作尚未检索确认。

    阅读价值：该研究将逐时间步的引导权重调节转化为二维线性最小二乘问题，为复现免训练后验采样时减少启发式调参提供了明确路径，但重建性能与采样加速仍需结合完整实验协议核对。

9月30日周三
  1. Europe PMC · BCI / PubMed71

    TSMD-Net：用于跨被试 MI-EEG 域泛化的两阶段多域蒸馏网络

    基于摘要分析。该研究针对被试间差异与 EEG 非平稳性引起的分布偏移，提出用于跨被试运动想象 EEG（MI-EEG）域泛化的 TSMD-Net，通过两阶段优化将多个域专属头的知识蒸馏到统一的 leader head，以利用源被试之间的互补判别信息。 核心机制：第一阶段采用特征协方差对齐，建立稳定的跨域表征；第二阶段结合多域协同蒸馏与双曲监督对比学习，增强跨域预测一致性和类别判别性。相较于主要依赖特征对齐或数据增强的思路，作者强调在共享表征之外整合不同源域的判别知识。摘要未提供域专属头的具体结构、蒸馏目标、双曲空间实现、损失权重或阶段切换条件，这些实现细节尚未验证。 评估与结果：作者报告，在跨被试域泛化评估下，TSMD-Net 在运动想象基准 BCI Competition IV 2a、BCI Competition IV 2b 上的平均 Accuracy 分别为 70.21% 和 77.82%，在运动执行数据集 High Gamma Dataset 上为 79.53%。High Gamma Dataset 的任务为运动执行，不能将其结果直接表述为运动想象解码效果；三个数据集的数值也不能脱离各自任务与划分协议直接比较。摘要将研究置于训练时不使用目标被试数据的域泛化设定，但具体源域与目标被试划分、验证集构造及模型选择流程仍需核对全文。 复现重点：需核对预处理、通道选择、训练配置、对照基线与统计不确定性，并通过消融区分协方差对齐、多域蒸馏和双曲监督对比学习的贡献。作者报告的结果支持其在所评估数据集上的跨被试解码能力，但摘要不足以判断相对基线的提升幅度、跨会话稳定性或在线 BCI 表现；实验协议、消融及统计信息尚未验证。

    阅读价值：值得核对其两阶段优化能否通过整合源被试间的互补判别知识改善跨被试域泛化，尤其需结合消融确认多域蒸馏与双曲监督对比学习各自的贡献。

9月18日周五
  1. OpenReview · State space models79

    输入变异性对选择性状态空间模型中长期依赖的影响

    基于摘要分析。研究考察选择性状态空间模型 S6 中，输入变异性如何影响长期依赖，并据此提出基于 Gumbel-Softmax trick 的初始化方法，在不修改模型架构的前提下改善长期信息保持。 核心机制：Mamba 通过输入依赖的 S6 机制建模时变动态，同时保留并行计算能力。作者指出，相比输入无关的 S4、S5，Mamba 在需要不受后续输入影响、持续保留先前信息的长序列任务上可能表现较弱。作者的分析表明，较大的输入方差可能使先前信息更难长期保留，因此离散化状态矩阵在初始化时应包含接近 1 的值。作者进一步指出，在标准 Mamba 初始化下，增大状态维度会使该矩阵的取值分布向接近 0 的区域偏移，却不增加接近 1 的值所占比例。所提方案针对这一分布问题调整初始化，而非增加网络结构；具体参数化、推导假设及训练设置尚未验证。 结果与证据边界：作者报告，在合成任务和 LRA 任务上验证了推导出的初始化性质；新初始化改善了需要跨越长序列、独立于后续输入保留先前信息的任务表现，同时在上下文依赖任务上保持相当表现。摘要未提供具体任务配置、数据划分、对照设置或指标数值，实验协议、消融及统计信息尚未验证，不能据此认定其在所有长序列任务上均优于标准 Mamba。 平台推测（待验证）：迁移假设是，EEG 中随时间变化的输入方差可能影响选择性状态更新对早期信息的保留，但原领域结果不等于 BCI 效果。可复用初始化策略，需适配 EEG 输入编码、归一化和序列长度；低信噪比、通道尺度差异及跨被试变化可能改变机制表现，增强记忆也可能保留无关噪声。可在固定被试内划分、相同 Mamba 架构与训练配置下，对比标准初始化和所提初始化，并改变早期任务相关片段之后的噪声强度，检验性能退化与状态保持是否同步变化。已有 EEG 相关工作尚未检索确认。

    阅读价值：该研究将 Mamba 的长期信息保持问题具体关联到输入方差与离散化状态矩阵的初始化分布，并提出无需修改架构的初始化方案，值得核对其理论适用条件及长序列任务上的复现效果。

9月17日周四
  1. OpenReview · Representation learning71

    Representax：基于 JAX 的可扩展表征学习

    基于摘要分析。该工作面向跨模态表征学习中训练与评估工具分散、研究实现难以扩展的问题，提出开源 JAX 框架 Representax，将多类表征学习方法与共享训练基础设施整合，支持从方法探索到规模化训练。 框架统一了可扩展的训练和评估任务，覆盖 dense retrieval、late-interaction retrieval、多模态对比学习、reward modeling 和 joint-embedding predictive learning。共享基础设施支持模型适配、多模态数据处理、内存高效优化，以及 GPU 和 TPU 上的分布式执行。摘要体现的贡献主要是研究软件与任务整合，而非明确提出新的表征学习损失；具体模型结构、损失实现、优化策略及接口约束尚未验证。 作者报告，通过与既有框架比较训练性能、训练并评估检索和多模态模型，以及测量多 GPU strong scaling，观察到具有竞争力的吞吐量、留出检索任务上的改进和高效扩展。摘要未提供数据集、划分、基线名称、硬件配置或数值，因此不能量化优势，也不能据此推断跨数据集泛化；实验协议、消融及统计信息尚未验证。复现需进一步核对源码获取方式、依赖版本、训练配置、数据处理流程和计时口径。 平台推测（待验证）：若其多模态对比学习与 joint-embedding predictive learning 接口允许接入 EEG 时序编码器，该框架可能用于组织 EEG 自监督预训练实验，但这只是工程复用假设，不是已证实的 BCI 效果。需改造输入处理、通道适配、时间窗口与任务评估；对比学习还依赖合理的配对或增强设计。低信噪比、通道差异、被试差异和小数据可能削弱收益。一个可检验的小实验是在固定数据、跨被试划分、编码器与训练预算下，对照原实现和 Representax 实现，核对下游指标、吞吐量与峰值显存。已有 EEG 相关工作尚未检索确认。

    阅读价值：Representax 将多类表征学习方法与 JAX 分布式训练基础设施统一，值得核对其任务扩展接口、性能对照与多 GPU 扩展协议，以评估能否降低研究实现成本；其 EEG/BCI 适用性尚未验证。

1月26日周一
  1. OpenReview · Representation learning73

    通过调制表征学习提升开放集识别性能

    基于摘要分析。研究针对开放集识别（OSR）中识别训练类别之外新语义类别的问题，提出以动态温度调度替代固定 logits 温度，使表征学习在实例级特征与类别特异性特征之间逐步转换；其中包括作者提出的 negative cosine schedule。 机制上，作者描述调度在训练初期侧重较少邻居以形成粗略决策边界，随后逐渐关注更多邻居以平滑边界，期望获得更丰富、泛化能力更强的表征。摘要未给出温度函数、取值范围、邻居定义及其与各损失的具体作用关系，这些实现细节尚未验证。与引入正则化或 mix-up 等辅助负样本的路径相比，作者称该调度可并入现有 OSR 损失且不增加计算开销；开销核算范围仍需正文确认。 作者报告，在采用 cross-entropy、contrastive 和 ARPL 损失的多个基线上，新调度在多数情况下同时改善开放集与闭集性能，尤其在更困难的 semantic shift benchmarks 上。摘要未提供数据集、已知类与未知类划分、评价指标或具体数值，因此不能判断提升幅度，也不能比较不同协议下的效果；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务需要拒识训练中未覆盖的语义类别，动态温度可能用于调节表征的局部区分与类内聚合。可复用的是温度调度，需改造的是 EEG 编码器、邻居构造及未知类评估协议；低信噪比、小样本和跨被试差异可能使邻居关系不可靠，并将被试偏移误判为新类别。一个可检验的小实验是在固定 EEG 编码器、损失和类别留出划分下比较固定温度与该调度，分别评估已知类分类和未知类拒识，并核对训练开销。该迁移假设尚无材料内的 EEG 证据，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对温度调度能否作为不同 OSR 损失的低成本改造提升未知类识别，尤其需复现作者报告的语义偏移场景收益及闭集性能变化。

  2. OpenReview · Representation learning74

    在线表征学习与强化学习的 Stackelberg 耦合

    基于摘要分析。该研究针对 Deep Q-learning 中表征与价值估计相互依赖、随非平稳目标共同变化而产生的训练不稳定问题，提出 Stackelberg Coupled Representation and Reinforcement Learning（SCORER）。其核心贡献是把表征学习与 Q-learning 建模为层级博弈中的两个参与者，通过非对称更新实现稳定的协同适应。 机制上，Q-function 作为领导者，以较低频率更新并承诺其策略；感知网络（编码器）作为跟随者，更频繁地调整表征，在领导者策略固定时降低 Bellman 误差的方差。摘要将两者的目标分别描述为最小化均方 Bellman 误差（MSBE）及其方差，并认为方差降低可减少价值估计偏差。该框架形成双层优化问题，以双时间尺度算法近似求解，有别于整体式网络中的同步参数更新。具体方差估计方式、梯度计算、更新频率及偏差降低所需条件尚未验证。 作者报告，在 DQN 及其变体上的实验表明，收益来自算法机制而非模型复杂度；摘要未提供任务、数据规模、对照配置或具体指标，因此无法判断收益幅度与适用范围。实验协议、消融及统计信息尚未验证，复现还需核对网络配置、优化目标实现和双时间尺度调度。 平台推测（待验证）：若 EEG/BCI 问题被明确建模为序贯决策，该机制可能用于缓解编码器表征变化与自举价值目标相互影响的瓶颈，而不能直接视为 EEG 分类方法。迁移依赖可定义的状态、动作、奖励及离策略数据；可复用双时间尺度更新思路，但需改造 EEG 编码器与任务接口。低信噪比、跨被试或通道差异可能使方差估计不稳，小数据也可能不足以支撑跟随者频繁更新。可在固定被试划分与相同模型容量的 EEG 序贯决策任务中，对照同步更新、仅改变更新频率和完整 SCORER，检验价值误差方差与任务表现是否同步改善。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其将 Q-function 与编码器分工为均方 Bellman 误差及其方差优化、并采用双时间尺度更新的机制，尤其是性能收益能否与更新频率和模型复杂度的影响区分。

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。

9月17日周三
  1. OpenReview · State space models78

    记忆决定学习方向：状态空间模型中基于梯度的优化理论

    基于摘要分析。本文研究状态空间模型（SSMs）的记忆结构如何影响基于梯度的学习动态，并据此提出初始化及循环权重训练策略。核心贡献是从当前状态对输入时间序列的存储方式出发，分析记忆精度与记忆长度的权衡，将记忆结构与优化方向联系起来。 理论机制：作者提出 structured state space sequence model（S4）与循环权重为对角形式的简化 S4 之间的理论等价性，并分析初始参数的重要性。作者的分析表明，成功学习需要尽可能长的初始记忆，即使这可能降低记忆精度，或使梯度失去 teacher information。该结论的具体假设、等价性的适用范围及 teacher information 的定义，需查阅全文核对，不宜扩展为所有 SSM 的通用规律。 实验与训练策略：作者报告，在需要长记忆的任务上，训练过程中延长记忆较为困难，支持了初始化的重要性；固定循环权重相比更新这些权重，可取得相当或更高的性能，并更快收敛。摘要未提供任务名称、数据规模、划分、指标或具体对照配置，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务依赖较长时间跨度的信息，预设较长记忆并固定循环权重可能减少小数据条件下的优化负担。可复用部分是记忆初始化与权重冻结策略；需改造输入编码、通道处理和记忆时间尺度。其风险是较低的记忆精度放大低信噪比输入的干扰，且跨被试与通道差异可能使固定动态不适配。一个可证伪的小实验是在同一 EEG 任务、固定数据划分与模型规模下，对照长／短初始记忆及固定／可训练循环权重，分别记录任务指标与收敛速度。原研究并未在摘要中提供 EEG 验证，相关 EEG 工作尚未检索确认。

    阅读价值：该研究将 SSM 的初始记忆结构与梯度优化方向联系起来，并提出固定循环权重的可检验训练策略，值得核对其理论适用条件及长记忆任务上的对照实验。

7月13日周日
  1. OpenReview · Representation learning76

    通过灵活表征引导学习扩散模型

    基于摘要分析。研究探讨如何将辅助表征系统地融入扩散模型，以改善生成质量。作者提出表征引导框架，通过不同的去噪模型分解及对应训练准则，规定辅助表征在何时、以何种方式参与模型学习。 机制与贡献：摘要以既有工作中的表征对齐为出发点，即将扩散模型的内部表征与预训练模型表征对齐。作者在理论分析基础上提出两项策略：一是将样本与来自样本自身或不同合成模态的目标表征配对，再学习这些多模态配对的联合模型；二是设计平衡表征学习与数据生成的训练课程，作者称其为最优训练课程。具体分解形式、损失函数、合成模态构造方式及最优性的成立条件尚未验证。 结果与复现：作者报告，在蛋白质序列与分子生成任务中取得更优性能并加速训练。摘要未给出数据集、划分、对照基线、指标数值或计算预算，因此不能判断收益大小及适用范围。摘要提供了代码仓库，但实现与论文的一致性、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，在 EEG 生成或数据增强中，辅助表征可能帮助生成模型保留任务相关结构；这不等于已验证的 BCI 效果。该路径依赖可靠的目标表征与样本配对，可考虑复用表征对齐和训练课程机制，但需改造 EEG 编码、时序与通道表示。低信噪比、跨被试差异及小数据可能使引导偏向噪声或被试身份。一个可证伪的小实验是：在固定被试划分与训练预算下，对比无引导和表征引导的 EEG 生成模型，同时评估生成信号的结构保真度及对独立测试集解码的帮助。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其去噪模型分解与表征引导训练准则之间的对应关系，以及多模态配对和训练课程如何协调表征学习与生成；具体性能优势及加速幅度尚需全文验证。

5月1日周四
  1. OpenReview · Representation learning75

    强化学习中基于 Laplacian 的在线表征学习

    基于摘要分析。本文研究强化学习中的 Laplacian 表征能否与策略学习一起在线学习，并获得理论保证；核心贡献是基于 Asymmetric Graph Drawing Objective（AGDO）构建在线优化方法，分析在线投影梯度下降的收敛性。 该框架利用底层状态转移图的 Laplacian 矩阵特征向量，将原始感官观测编码为表征。论文关注的不只是表征是否有用，而是在持续交互、策略学习同时进行的条件下，能否在线获得目标 Laplacian 表征。作者报告，在一定假设下给出了收敛分析，并通过仿真实验验证向真实 Laplacian 表征的收敛；同时讨论不同强化学习算法与在线表征学习的兼容性。摘要未披露 AGDO 的具体形式、约束、假设内容、仿真环境、对照方法及定量结果，实验协议、消融及统计信息尚未验证，不能据此判断样本效率或跨任务泛化是否获得实际提升。 平台推测（待验证）：若 EEG 状态能够构成有意义的时间转移图，该机制可能用于学习保留状态转移结构的在线表征，为非平稳信号的持续更新提供一个研究切入点。这一假设依赖可靠的图构建与足够的转移观测，原领域的收敛结论不等于 EEG/BCI 有效。可考虑复用在线优化框架，但需改造 EEG 状态定义、邻接关系及观测编码；低信噪比、跨被试差异、通道变化和小数据可能使转移图失真或估计不稳定。一个可检验的小实验是，在固定被试内划分和相同 EEG 特征输入下，对比在线更新与冻结的 Laplacian 表征，检查目标值、表征稳定性及下游解码表现，并避免使用测试阶段未来观测构图。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的具体原因是作者将 Laplacian 表征学习表述为基于 AGDO 的在线优化问题，并分析在线投影梯度下降的收敛性，可用于核对表征更新与策略学习如何兼容，但其对 EEG/BCI 的适用性尚未验证。

1月23日周四
  1. OpenReview · State space models78

    HOPE：长记忆状态空间模型的稳健参数化

    基于摘要分析。本文研究基于线性时不变（LTI）系统的状态空间模型（SSM）为何依赖专门设计的初始化，以及状态矩阵在对数尺度上以很小学习率训练的做法，并提出基于 Hankel operator 理论的参数化方案 HOPE，旨在改善初始化与训练稳定性。 机制上，HOPE 利用 Hankel operators 中的 Markov parameters 对 LTI 系统进行参数化，并通过对 LTI 系统传递函数进行非均匀采样实现高效计算。作者报告，该方案相较于常规 SSM 使用更少参数，并改善训练稳定性。摘要未给出具体参数化公式、采样策略、损失形式或参数量，相关实现条件尚未验证。 实验方面，作者报告，在 Long-Range Arena（LRA）任务上，基于 Hankel operators 参数化的 SSM 相较于采用 HiPPO 初始化的 S4、S4D 表现更好；摘要未提供具体任务分项、指标、数据划分及数值。作者还报告，该参数化具有固定时间窗内不衰减的记忆，并以加入填充噪声的 sequential CIFAR-10 任务提供经验支持。这不等同于无限时长记忆，也不能直接外推为生理信号中的抗噪能力。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其迁移假设是，若 EEG 任务依赖较长时间跨度的有效信息，HOPE 的记忆参数化可能有助于降低长序列训练对初始化的敏感性。原方法依赖时序输入与 LTI 动态建模；迁移时可复用参数化及传递函数采样机制，但需适配多通道 EEG 输入与任务输出。低信噪比可能使长记忆同时保留无关噪声，跨被试差异、通道变化和小数据条件也可能削弱收益。可在一个固定的 EEG 任务与数据划分下，以相同输入处理和训练预算比较 HOPE 与 S4D，并改变有效片段后的噪声填充长度，检验任务指标与训练稳定性是否更稳健。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是 HOPE 将长记忆 SSM 的初始化与训练稳定性问题统一到 Hankel operator 参数化视角；作者报告的固定时间窗内不衰减记忆，为评估噪声背景下的长时依赖提供了具体切入点，但 EEG 适用性尚未验证。

  2. OpenReview · State space models78

    面向不规则时间序列的连续状态空间 Feynman-Kac 模型摊销控制

    基于摘要分析。本文研究不规则、离散观测下的连续时间序列建模，提出 Amortized Control of continuous State Space Model（ACSSM），以观测条件化的连续潜在动力学统一支持分类、回归、插值和外推任务。 核心机制是先通过多边缘 Doob's h-transform 构造以不规则观测为条件的连续动力系统，再借助随机最优控制（SOC）理论进行变分推断，近似难以直接求解的 Doob's h-transform 并模拟条件化动力学。作者提出具有紧致证据下界（ELBO）的推断算法，但该下界的具体形式、成立条件及紧致性论证尚未验证。 在计算实现上，ACSSM 使用辅助变量灵活参数化潜在动力学与摊销控制，并结合 simulation-free 潜在动力学框架和基于 transformer 的数据同化方案，使潜在状态推断与 ELBO 计算能够并行进行。这里的关键阅读点是条件化动力学、控制近似与并行推断如何衔接；摘要不足以确定 simulation-free 的具体实现及其与动力学模拟之间的关系。 作者报告，在多种真实世界数据集上的分类、回归、插值和外推评估中，ACSSM 获得更优性能并保持计算效率。摘要未给出数据集名称、划分、对照基线、指标数值或运行资源，故不能判断优势幅度及适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能适用于存在缺测或异步采样的 EEG 多模态记录，但原领域结果不等于 BCI 有效。迁移假设依赖可用时间戳和足够观测信息，可复用连续动力学及摊销推断思路，需改造观测模型与通道表示；低信噪比、跨被试差异和小数据可能导致潜在动力学估计不稳定。可在固定被试内划分下，对同一 EEG 数据施加受控缺测，比较 ACSSM 与规则重采样后的基线在插值误差及下游任务指标上的变化。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读的是其将多边缘 Doob's h-transform、随机最优控制与摊销推断结合，用于不规则观测下的连续潜在动力学建模；性能优势与计算效率仍需结合全文中的评估协议核对。

1月1日周三
  1. OpenReview · EEG74

    EEGCiD：将 EEG 凝缩到扩散模型中

    基于摘要分析。EEGCiD 针对 EEG 模型开发中大量数据带来的存储与共享隐私问题，将原始数据集的知识凝缩到扩散模型和少量潜在编码中，生成信息集中的合成样本集；其目标并非复现外观逼真的 EEG，而是保留用于解码的代表性信息。 核心机制分为模型预训练与数据凝缩两阶段。首先，使用原始 EEG 数据预训练确定性去噪扩散隐式模型 DDIM，以存储数据集知识；骨干采用包含空间与时间自注意力模块 STSA 的 transformer，替代传统 U-Net。随后，从原始数据集中随机选取部分样本，经 DDIM 前向过程得到凝缩潜在编码 z，并通过匹配合成样本与原始数据在多个 EEG 解码模型中的特征分布来优化 z。摘要将这一过程称为集成特征匹配，但具体损失形式、解码模型配置及优化细节尚未验证。 作者报告，在三个 EEG 数据集上的实验中，凝缩数据集在有限样本量条件下取得更优分类表现，并能有效抵御成员推断攻击（MIA）。摘要未提供数据集名称、被试数量、被试内或跨被试等评估协议、对照方法及具体指标，因此无法量化收益，也不能据此认定对其他隐私攻击同样有效。 复现时需核对凝缩样本预算、DDIM 训练与采样设置、特征匹配模型及下游解码模型的关系，以及原始数据、潜在编码和扩散模型权重各自的存储与发布成本。隐私结论需结合 MIA 的攻击者能力、访问权限和评估协议解释；合成信号不与原始信号视觉相似，本身不等于隐私保证。实验协议、消融及统计信息尚未验证。

    阅读价值：值得关注其将确定性 DDIM 与多解码模型特征匹配结合的 EEG 数据集凝缩机制，但分类收益与隐私保护结论仍需结合数据划分、存储核算及 MIA 威胁模型核对。

  2. OpenReview · EEG74

    EEGCiD：将 EEG 凝缩到扩散模型中

    EEGCiD 针对 EEG 模型开发所需大量数据带来的存储与共享隐私问题，提出将原始数据集知识凝缩到扩散模型及小规模潜在编码集合中的方法，以生成信息集中的合成 EEG 样本，而非以外观接近原始信号为主要目标。基于摘要分析，未取得论文全文。 核心机制分为知识建模与数据凝缩两个阶段：首先使用原始 EEG 数据预训练确定性 denoising diffusion implicit model（DDIM），以保存数据集知识；其骨干采用包含空间与时间自注意力模块（STSA）的 transformer，替代传统 U-Net。随后，从原始数据集中随机选取样本子集，经 DDIM 前向过程得到凝缩潜在编码 z，再通过匹配合成样本与原始数据在多个 EEG 解码模型中的特征分布来优化 z。该集成特征匹配策略意在将对解码任务有用的信息集中到较小的合成数据集中；具体损失形式、解码模型组合及优化细节尚未验证。 作者报告，在三个 EEG 数据集上，凝缩数据集在有限样本条件下取得较好的分类表现，并能有效防御成员推断攻击（MIA）。摘要未提供数据集名称、任务、被试数、被试内或跨被试划分、凝缩样本规模、分类指标数值及对照设置，因此无法量化分类收益，也不能比较不同协议下的效果。实验协议、消融及统计信息尚未验证。 复现与应用评估需核对 DDIM 预训练成本、潜在编码优化成本，以及生成合成数据所需模型权重是否计入总存储开销。隐私结论还需核对 MIA 的攻击者能力、访问权限和评估指标；合成样本不与原始信号外观相似，本身不能构成隐私保证。作者报告的 MIA 防护效果应限定于其实际测试设置，不能据此推断身份或健康信息的其他泄露风险均已消除。

    阅读价值：值得阅读其将确定性 DDIM 与多解码模型特征分布匹配结合的 EEG 数据凝缩机制，但分类收益与成员推断攻击防护效果仍需结合压缩规模、评估协议和攻击设置核对。

9月28日周六
  1. OpenReview · Representation learning78

    强化学习中的在线 Laplacian 表示学习

    基于摘要分析。本文研究强化学习中能否在策略更新的同时，在线学习具有理论保证的 Laplacian 表示。作者提出 Asymmetric Graph Drawing Objective（AGDO），并分析在该目标上运行在线投影梯度下降的收敛性质，将图表示学习与持续变化的策略学习过程联系起来。 核心机制是利用底层状态转移图的 Laplacian 矩阵特征向量，将原始状态感知观测编码为有意义的特征。区别于将表示视为固定模块，本文关注策略与图表示同时更新的情形。作者报告，在温和假设及策略学习算法引起的策略漂移有界条件下，在线投影梯度下降具有遍历意义下的收敛性；这不应直接解读为任意策略更新下都能收敛，或每一步表示均收敛。AGDO 的具体形式、投影约束、漂移定义及收敛度量尚未验证。 作者报告，仿真研究支持收敛至真实 Laplacian 表示的理论保证，并讨论不同强化学习算法与在线表示学习的兼容性。摘要未提供环境名称、数据规模、对照基线或量化结果，实验协议、消融及统计信息尚未验证，也无法据此判断样本效率或跨任务泛化的实际增益。 平台推测（待验证）：其潜在 EEG/BCI 关联在于为持续变化的闭环交互状态学习图谱表示，但这是一项迁移假设，而非本文已验证的效果。可复用部分是图谱表示目标与在线更新框架；需改造的部分包括 EEG 状态编码、转移图构建及策略漂移控制。原方法依赖状态转移结构，不能将一般 EEG 时间邻接直接等同于强化学习转移图；低信噪比、跨被试与通道差异、小数据下的图估计误差都可能破坏所需条件。一个小规模检验可在固定被试与通道的闭环任务中，对比冻结表示与 AGDO 在线更新，并控制策略变化幅度，观察表示稳定性及任务表现是否随漂移增大而恶化。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读之处在于作者将策略持续更新引起的表示学习目标变化纳入收敛分析，以策略漂移有界为条件讨论在线 Laplacian 表示学习的可行性；具体假设与仿真协议尚待全文核对。

  2. OpenReview · Representation learning71

    策略优化从带噪表征学习中涌现

    研究探讨表征学习网络如何在学习世界表征的同时形成行动策略，提出利用奖励依赖噪声促进策略优化的框架。基于摘要分析，未取得论文全文。 核心机制是让噪声依赖奖励，使表征学习与任务策略优化发生关联。摘要描述网络在提取规范性特征（normative features）与任务相关信息之间取得平衡，但未说明这些特征的操作性定义、噪声注入位置、奖励与噪声的映射关系，以及训练目标和更新规则，因此不能将其直接等同于某种既有强化学习算法。 作者报告，网络的表征变化能够复现若干实验观察到的、随任务学习发生的神经编码变化，并据此提出一种具有生物学合理性的策略优化机制。摘要未列出具体任务、神经记录数据、对照方法或量化指标，尚不能判断复现的覆盖范围与解释力度；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若奖励依赖噪声确实能调节任务相关表征，该机制可能为带反馈的 EEG/BCI 表征学习提供研究假设，但原问题涉及神经系统的学习机制，并不等同于 EEG 解码。迁移需要明确反馈奖励来源、噪声施加模块及任务监督方式；低信噪比、奖励延迟、跨被试差异和小数据可能使额外噪声破坏而非改善表征。一个可检验的小实验是，在固定 EEG 数据划分、编码器和训练预算下，比较无噪声、奖励无关噪声与奖励依赖噪声，检查后者是否带来可重复的解码收益。该实验属于平台提出的迁移检验，不是论文已报告结果；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的具体原因是其将奖励依赖噪声与表征学习中的策略优化联系起来，并尝试解释任务学习中的神经编码变化；机制细节及其对 EEG/BCI 的适用性尚未验证。

9月27日周五
  1. OpenReview · Representation learning77

    具有可证明效率保证的联邦主动多任务表征学习

    基于摘要分析。本文针对源任务与目标任务数据均有限时的多任务表征学习，提出采用线性表征的主动学习方法，通过估计各源任务对目标任务的相关性，自适应分配采样，以提高数据利用与计算效率。 核心机制是基于自适应采样的交替投影梯度下降（GD）与最小化算法：迭代估计源任务相关性，并依据估计结果从各源任务采样。作者给出算法的收敛保证以及样本复杂度、时间复杂度分析；具体假设、复杂度表达式、采样预算和优化目标尚未验证。标题包含联邦学习，但摘要未说明客户端通信、聚合流程或隐私机制，不能据此补充联邦实现细节。 作者报告在合成数据和真实 MNIST-C 数据上开展数值实验，并与四种基准算法比较。摘要未提供具体指标、数值结果、任务构造或数据划分，因此暂不能判断优势幅度及适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设不同 EEG 被试或会话可作为源任务与目标任务，相关性驱动的采样可能用于缓解跨被试或跨会话迁移中标注预算有限的问题。可复用的是任务相关性估计与采样分配框架；需改造的是 EEG 表征、任务定义及采样与标签获取接口，并核对理论是否依赖共享线性结构。低信噪比、通道不一致和小样本可能使相关性估计不稳定，导致预算偏向无益源任务。一个可检验的小实验是在固定目标任务训练数据、总标注预算和独立测试集的跨被试设置下，比较自适应源任务采样与均匀采样，检验收益是否稳定。以上不是已验证的 EEG/BCI 结果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其按源任务与目标任务相关性自适应分配采样的机制及收敛、样本和时间复杂度分析，但理论适用条件与实验优势尚需核对全文。

1月16日周二
  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。