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。

133 条精选近 30 天 104 条共收录 148 条

更新

精选归档 · 第 7 页

9月27日周五第 121–133 条
  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。

  2. OpenReview · Representation learning81

    面向预测任务类的表征学习博弈

    基于摘要分析。研究关注未来预测任务尚未确定、但已知其所属任务类时，如何学习降维表征并控制信息压缩造成的预测损失。作者提出双人博弈：第一方选择表征，第二方从给定任务类中对抗性地选择预测任务，以比较压缩表征与原始特征所能达到的最小预测损失。 核心机制是以预测遗憾（regret）作为博弈目标，即使用表征时的最小预测损失相对于使用原始特征时的差异；表征方最小化遗憾，任务方最大化遗憾。任务类承担先验知识的作用，因此框架并非针对单一已知任务优化降维，而是面向一组可能出现的任务控制最坏情形代价。 在表征、待预测响应及预测器均为线性函数、损失为均方误差的设定下，作者报告推导了纯策略下的理论最优表征，以及混合策略下的最优遗憾，分别用于说明任务先验与表征随机化的作用。对一般表征、预测函数和损失函数，作者提出仅需损失梯度的随机化表征优化算法，通过逐步向混合中加入表征规则进行优化。摘要未提供数据集、实验指标或具体实现；理论成立条件、随机化在训练与推理中的执行方式、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 特征上的未来任务可被合理界定为一个任务类，该框架可能用于检验降维是否保留多任务预测所需的信息，而不只优化单一标签。可复用的是任务类约束、遗憾目标和混合表征优化思想；需改造的是 EEG 特征构造、任务类定义及损失设计。任务先验失配、低信噪比、跨被试分布变化、通道不一致与小数据下梯度估计不稳定，都可能使原领域机制无法直接迁移。一个可检验的小实验是在固定 EEG 数据划分和预先定义的任务类上，比较原始特征、同维度确定性表征与随机化表征的各任务预测损失及最坏情形遗憾，并分别报告被试内与跨被试结果。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其以任务类先验约束最坏情形预测遗憾的表征学习框架，以及纯策略最优表征与混合策略最优遗憾的理论区别；其对 EEG 降维的价值尚未验证。

  3. OpenReview · Representation learning82

    非独立同分布、非各向同性数据下的样本高效线性表征学习

    基于摘要分析。本文研究如何从异质来源或任务的数据中学习共享线性表征，在带噪向量观测 y = Mx + w 中恢复线性算子 M，允许协变量 x 非独立同分布且非各向同性。核心贡献是提出 De-bias & Feature-Whiten（DFW），改造交替最小化—下降（AMD）方案，以减轻表征更新偏差并改善多任务数据带来的统计收益。 机制与理论：作者指出，忽略各向同性问题的既有元学习方法会在表征更新中引入偏差，使噪声项无法保持随源任务数量增加而改善的有利尺度，进而让样本复杂度受单个任务的数据量限制。作者报告，在其理论条件下，DFW 可线性收敛至最优表征，噪声水平随源任务总数据量增大而降低，并得到与 oracle empirical risk minimizer 同阶的泛化界。摘要未提供具体去偏公式、白化估计方式或定理假设，不能将该结论理解为适用于任意相关数据。 数值验证：作者报告，多项数值模拟支持 DFW 的重要性；其中，普通 AMD 即使面对独立同分布但轻度非各向同性的数据，也可能严重失效。具体模拟规模、误差指标、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）：迁移假设是，若 EEG 任务可近似为共享线性特征与任务特定映射，且跨被试或跨会话的协变量分布满足相应理论条件，DFW 的去偏与特征白化思路可能缓解协方差差异造成的表征更新偏差。可复用的是更新机制，需改造的是 EEG 特征构造、任务定义及协方差估计；低信噪比、小样本、通道差异或病态协方差可能使白化不稳定，线性共享表征假设也可能不成立。一个可证伪的小实验是在固定跨被试训练／测试划分及每个源被试样本量的条件下，逐步增加源被试数量，对比普通 AMD 与 DFW 的目标被试预测误差，检验增益是否随总源数据量增长。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其对非各向同性数据导致表征更新偏差的分析，以及 DFW 如何恢复随源任务总数据量改善的噪声尺度；这些机制对异质 EEG 表征学习的适用性尚未验证。

1月1日周一
  1. OpenReview · State space models71

    基于残差分析的非线性响应状态空间模型改进

    基于摘要分析。本文研究具有未知非线性响应的状态空间模型学习问题，以神经网络近似观测方程中的未知非线性部分，并提出基于残差分析的迭代算法，改善隐状态推断与参数估计。 机制上，模型保留线性状态方程，观测方程则包含线性与非线性部分，其中非线性部分的结构未知。算法利用线性模型的残差学习这一未知项，再迭代改进模型。作者称可通过 minorization-maximization 原理说明迭代改进性质；具体优化目标、更新步骤、神经网络结构及成立条件尚未验证。 作者报告，在一个数值示例和电池容量估计案例中，该方法的参数估计与隐状态推断优于既有工具。摘要未提供评价指标、数值结果、基线名称或数据划分，因此不能判断收益幅度及适用范围；实验协议、消融及统计信息尚未验证。复现需核对全文中的模型定义、初始化、残差构造、交替更新与停止条件，以及案例数据和实现可用性。 平台推测（待验证）：若 EEG 时序可近似为线性潜在状态演化与非线性观测映射，该机制可能用于修正线性状态空间模型的观测偏差。可复用的是残差驱动的非线性拟合与迭代估计思路；需改造的是 EEG 多通道观测映射及噪声模型。摘要未说明原任务的数据规模和监督需求。低信噪比可能使残差学习吸收伪迹而非有效信号，小数据以及被试、通道差异也可能削弱稳定性。一个可检验的小实验是先在具有已知潜在状态的 EEG 风格模拟数据上，固定训练与测试划分，对比线性模型和残差改进模型，分别检查状态恢复与观测预测误差，并改变噪声强度以检验收益是否稳健。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是以线性模型残差学习未知非线性观测项、并用 minorization-maximization 原理支持迭代改进的机制，但其对 EEG 隐状态估计的适用性尚未验证。

  2. OpenReview · State space models74

    Mamba-CL：在零空间中优化选择性状态空间模型以实现持续学习

    基于摘要分析。该研究面向持续学习中的灾难性遗忘，提出 Mamba-CL，通过在历史任务特征子空间的正交方向更新参数，持续微调大规模 Mamba 基础模型的核心 SSM，力求保留既有知识并学习新任务。 核心机制是将参数更新限制在历史特征子空间对应的零空间内。作者围绕 Mamba 的四个关键时不变参数推导整体一致性约束，处理 SSM 的递归状态空间结构与非线性离散化过程，再以零空间投影实现正交更新。作者声称，该方法在理论上保证各 SSM 模块在先前与当前任务上的输出一致性目标；具体保证的假设、约束范围，以及模块级一致性如何对应最终任务性能，需结合全文核对。 作者报告，在四个类别增量学习基准上，Mamba-CL 展现出抗遗忘效果，性能优于所比较的先进方法。摘要未提供基准名称、任务序列、数据划分、指标或具体数值，因此无法判断提升幅度及不同协议下的可比性。实验协议、消融及统计信息尚未验证。摘要称代码位于补充材料中，但其可获取性、运行配置与复现要求尚未核对。 平台推测（待验证）：该机制可能对应 EEG 持续学习中新增类别或连续会话更新引起的遗忘，但依赖历史特征子空间能稳定表征需保留的知识。可复用的是零空间投影与参数一致性约束；需改造的是 EEG 时序输入、通道适配和特征子空间估计。低信噪比、跨被试差异、通道变化及小样本可能使子空间估计不稳定，或过度限制更新、妨碍新任务学习。一个可检验的假设是：在固定 EEG 类别增量协议下，使用相同 Mamba 骨干与数据划分，对照普通顺序微调和零空间约束更新，检验历史类别 Accuracy 的保留是否以新类别学习能力下降为代价。上述迁移不属于本文已验证结果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其针对 Mamba 核心 SSM 参数推导的一致性约束与零空间投影实现，尤其是理论保证的适用条件及抗遗忘与新任务学习能力之间的权衡。

9月24日周日
  1. OpenReview · Representation learning76

    梯度下降下多任务表征学习的能力分析

    基于摘要分析。本文研究多任务表征学习为何能优于单任务表征学习，核心贡献是在梯度下降训练的过参数化两层卷积神经网络设定下，基于同时包含任务共享特征与任务特有特征的数据模型给出理论分析。 技术重点是将跨任务可复用的信息与各任务独有的信息纳入同一分析框架，考察多任务训练相较单任务训练的优势。作者报告使用合成数据与真实数据实验来说明和验证理论发现；摘要未提供具体数据集、任务构造、指标或数值，因此不能据此量化收益。理论结论所需的数据分布条件、过参数化要求、梯度下降设置、具体损失及实验协议、消融与统计信息尚未验证，也不能将该结论扩展为任意网络或任意任务组合下的普遍优势。 平台推测（待验证）：该框架可能为 EEG 多任务学习中“共享表征与任务差异如何兼顾”提供分析视角，但依赖任务之间确有可共享结构，并且任务定义、监督信号与数据规模能支撑联合训练。可复用的是共享与特有特征的建模思路；卷积结构、输入组织及任务输出需按 EEG 的通道、时间结构与标签体系改造。低信噪比、跨被试差异、通道配置不一致及小样本条件可能削弱共享结构或引发负迁移，原领域结论不等于已验证的 BCI 效果。 一个可检验的小实验是假设相关 EEG 任务存在有益共享特征，在固定被试级训练与测试划分、匹配模型容量及训练预算的条件下，对比多任务与单任务学习，并加入相关性较弱的任务作为对照，观察各任务是否出现稳定收益或负迁移。该实验属于平台提出的验证方案；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其在任务共享与任务特有特征并存的数据模型下，对梯度下降训练的多任务表征学习相较单任务学习优势所作的理论分析，但其适用条件及向 EEG 的迁移价值尚待验证。

9月22日周五
  1. OpenReview · Representation learning72

    利用 Guided Stop-gradient 的隐式对比表征学习

    基于摘要分析。本文研究自监督 Siamese networks 在拉近正样本对表征时出现的表示坍塌问题，提出 guided stop-gradient，利用源编码器与目标编码器的非对称架构隐式引入对比学习思想，并将其应用于 SimSiam 和 BYOL。 机制与贡献：显式对比学习通过推远负样本对避免坍塌，但摘要指出，这类方法对负样本数量减少不够稳健。本文从仅使用正样本对的方法出发，通过 guided stop-gradient 调整非对称学习过程，而不是依赖显式负样本。摘要未说明梯度引导的具体规则、损失形式或编码器更新方式，因此尚不能判断其与原有 stop-gradient 机制的实质差异。 结果与证据边界：作者报告，在 SimSiam 和 BYOL 上加入该方法可稳定训练并提升性能；作者还报告，该方法在小批量条件下有效，且移除 predictor 后仍不发生坍塌。摘要未提供数据集、批量大小、评价指标、数值结果及对照配置，实验协议、消融及统计信息尚未验证。作者称代码位于补充材料，其可获取性与复现条件尚未核对。 平台推测（待验证）：假设该机制能够在较少样本下维持表征多样性，它可能适用于受批量规模限制的 EEG 自监督预训练。原方法依赖由变换构造的正样本对及源—目标非对称架构；可尝试复用梯度控制机制，但需改造 EEG 编码器与正样本构造，避免增强破坏任务相关信息。低信噪比、跨被试差异和通道变化可能使正样本关系失真，小数据下不坍塌也不等于学到有效表征。可检验的小实验是在固定 EEG 数据划分、增强方式及训练预算下，对比原始 SimSiam 与加入该机制的版本，改变批量大小，同时测量表征方差与冻结编码器后的下游性能。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 guided stop-gradient 如何在不显式使用负样本的非对称架构中缓解表示坍塌，尤其是作者报告的小批量训练及移除 predictor 条件下的稳定性，但其具体实现与实验协议尚未验证。

8月1日周二
  1. OpenReview · Representation learning74

    用于高维数据学习的高效稀疏表示

    基于摘要分析。本文针对高维数据稀疏表示求解中迭代成本较高、收敛前迭代次数未知，以及计算过程中的稀疏率（SR）变化常被忽略的问题，提出 approximated local linear representation（ALLR）及其带对称约束的版本 ALLRSC，旨在提高表示学习的计算效率。 核心机制是在概率单纯形约束下进行局部性约束线性表示学习。ALLR 从单个局部性约束稀疏表示中获得闭式解；ALLRSC 进一步施加对称约束，以有限计算获得对称稀疏表示。作者报告，理论分析可保证表示的稀疏性与收敛性，并强调迭代过程中 SR 的持续下降具有实际意义。摘要未给出 SR 的具体定义、闭式解形式、局部性构造方式或理论保证所需假设，需通过全文核对。 作者报告，在公共数据集上的高维数据学习实验中，所提算法优于若干先进算法；但摘要未列出数据集、任务、划分、基线名称、评价指标或具体数值，不能据此判断优势幅度与适用范围。实验协议、消融及统计信息尚未验证，复现所需实现与参数设置亦尚未验证。 平台推测（待验证）：其潜在 EEG 迁移路径，是将高维试次特征作为样本，用局部线性关系构建稀疏表示，再用于分类或相似性建模；这一假设依赖特征空间中的邻域确实反映任务相关结构，已有 EEG 相关工作尚未检索确认。可复用部分是表示求解与对称约束机制，需要改造特征提取、距离度量及邻域构建。低信噪比、跨被试分布差异、通道配置变化和小样本可能使邻域失真。一个可检验的小实验是在固定 EEG 特征和被试内划分下，比较 ALLR、ALLRSC 与同条件稀疏表示基线的下游 Accuracy、求解耗时和 SR 变化，并仅用训练集确定参数与参考样本，以检验效率收益是否伴随任务性能损失。

    阅读价值：值得核对 ALLR 的闭式解与 ALLRSC 的对称约束如何降低稀疏表示计算成本，以及稀疏性、收敛性保证的适用条件；其对 EEG 数据的价值尚未验证。

5月7日周日
  1. OpenReview · Representation learning80

    面向预测任务类的表征学习博弈

    基于摘要分析。本文研究如何在已知未来预测任务先验、但输入特征向量无标签的条件下，学习降维表征。核心贡献是将表征选择、对抗性任务选择与预测建模纳入三方博弈，并分别给出线性情形的理论结果和适用于更一般函数类的近似算法。 机制上，第一方选择表征，第二方随后对抗性地选择预测任务，第三方依据表征后的特征预测响应。优化目标为 regret，即使用表征所能达到的最小预测损失，相对于使用原始特征所能达到的最小预测损失的差异；第一方与第三方希望减小该差异，第二方希望增大它。因此，该框架关注的不是重建输入，而是面对预设任务类时，压缩造成的预测能力损失。 在均方误差损失，以及表征、待预测响应和预测器均为线性函数的条件下，作者报告推导了纯策略的最优表征与混合策略的最优 regret，分别说明任务先验和随机化表征的作用。作者进一步报告，最优随机化只需有限个表征，其所需数量有精确刻画，小于输入特征维度，并可能远小于该维度。对于一般损失及更一般的表征、响应函数和预测器类，作者提出基于梯度的迭代算法，以近似最优混合表征；摘要未给出具体参数化、收敛条件或实证指标，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 特征上的未来任务可被合理限定，该框架可能用于研究降维后多任务预测信息的保留。可复用部分是任务对抗与 regret 目标；需要改造的是 EEG 特征、任务类约束及表征的采样与使用方式。风险包括低信噪比、跨被试与通道变化使任务先验失配，以及小样本导致原始特征与压缩特征的最优损失难以可靠估计。一个可检验的小实验是在固定被试内划分和降维维度下，比较确定性表征与随机化表征在预先定义的线性预测任务类上的最坏任务 regret，并以原始特征预测器作为参照。该实验仅是假设性迁移验证方案，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其以预测 regret 定义降维表征质量的三方博弈框架，尤其是任务先验与随机化表征的理论作用；其对 EEG 多任务表征的适用性尚未验证。

1月1日周日
  1. OpenReview · State space models76

    用于学习非线性动力系统的灵活状态空间模型

    基于摘要分析。该研究针对非线性动力系统的学习，将状态转移函数与观测函数表示为基函数展开，并从数据中学习展开系数。核心贡献是利用与 Gaussian processes 的联系构造系数先验，以调节模型灵活性、抑制过拟合，同时设计基于序贯 Monte Carlo 的参数学习算法。 机制上，基函数展开承担非线性函数表示，系数先验则可视为正则化，用于在表达能力与泛化之间取得平衡。作者将这一设计与 Gaussian process state-space model 联系起来，但摘要未给出基函数类型、先验具体形式或二者的精确对应。学习算法用于估计展开系数及其他未知参数；作者称其具有理论保证，保证的条件与范围尚未验证。 作者报告，该方法在一个经典基准及真实数据上获得了有前景的结果。摘要未提供基准名称、数据规模、划分协议、对照方法或量化指标，因此尚不能判断收益大小及适用范围；实验协议、消融及统计信息尚未验证。复现需进一步核对基函数选择、先验设置、隐状态推断流程、序贯 Monte Carlo 的计算配置及参数学习细节。 平台推测（待验证）：若 EEG 时序中的潜在动态可由该类非线性状态空间模型近似，基函数表示与系数正则化可能有助于限制小数据条件下的模型复杂度；这是迁移假设，而非已证实的 BCI 效果。原方法依赖时序观测及隐状态建模，具体监督需求与数据规模要求尚未验证。可考虑复用函数展开、先验与学习框架，但需适配 EEG 的多通道观测、噪声特性及跨被试差异。低信噪比、通道配置变化和有限训练数据可能使隐状态难以辨识，或导致先验约束不合适。一个可证伪的小实验是在固定通道、固定划分的被试内 EEG 数据上，以留出时段的预测误差比较该模型、线性状态空间模型与弱正则化版本，检验非线性表示及先验是否带来稳定收益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其如何通过与 Gaussian processes 相联系的系数先验约束非线性状态空间模型的灵活性，以及配套序贯 Monte Carlo 学习算法；其对 EEG 动态建模的适用性尚未验证。

1月1日周五
  1. OpenReview · State space models75

    用于学习非线性动力系统的灵活状态空间模型

    基于摘要分析。该研究面向非线性动力系统学习，将状态转移函数和观测函数表示为基函数展开，并从数据中学习展开系数。其核心贡献是利用与 Gaussian processes 的联系构建系数先验，以调节模型灵活性、抑制过拟合，并设计基于 sequential Monte Carlo 的参数学习算法。 机制上，基函数展开承担非线性函数的表示，系数先验则可理解为正则化：作者希望保留展开形式的表达能力，同时改善泛化。学习算法用于估计展开系数及其他未知参数；摘要称其具有学习方面的理论保证，但保证的具体对象、成立条件和收敛性质尚未验证。基函数类型、先验形式、隐状态设定、训练流程与推理成本也需查阅全文。 作者报告，该方法在一个经典 benchmark 和真实数据上取得有希望的结果，但摘要未给出数据名称、划分协议、对照方法或量化指标，因而不能判断收益大小，也不能与其他协议下的结果直接比较。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 的时序变化可由低维隐状态及非线性观测关系近似，该框架可能用于潜在动力学建模；这是假设，不是已证实的 EEG/BCI 效果。可复用部分是基函数表示、系数先验和序贯推断思路，需改造的是多通道观测关系、噪声假设及被试差异处理。低信噪比、通道变化和小数据可能使隐状态难以辨识，跨被试非平稳性也可能削弱泛化。一个可检验的小实验是在固定通道的单被试 EEG 上，采用互不重叠的训练与测试时间段，在匹配基函数规模和推断预算的条件下，对比带该先验与弱正则化版本的留出预测误差及稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其如何将基函数展开、Gaussian processes 关联先验与 sequential Monte Carlo 学习结合，以兼顾非线性动力学表达能力和正则化；具体理论保证及实验收益仍需全文核对。

1月1日周四
  1. OpenReview · State space models72

    用于声学回声削减与去混响的变分贝叶斯状态空间模型

    基于摘要分析。研究针对 A/D 与 D/A 转换器不同步时的语音去混响、声学回声削减和降噪问题，提出基于变分贝叶斯的联合优化方法，利用两个状态空间模型分别描述时变回声滤波器和无噪多通道语音信号。 核心机制是将转换器异步条件下的声学回声削减滤波器视为时变状态向量；第二个模型则将无噪多通道语音信号视为状态向量，使去混响滤波器能够在含噪环境中更新。作者通过变分贝叶斯框架优化这两类模型，交替执行两个基于 Kalman smoother 的参数优化阶段。具体状态转移、观测模型、概率分布与优化目标尚未验证。 作者报告，在真实远程会议室录制的数据上，即使 A/D 与 D/A 转换器异步，所提方法也比作者此前的传统方法更有效地削减声学回声、语音混响和背景噪声。摘要未提供数值指标、数据规模或划分方式，实验协议、消融及统计信息尚未验证；因此无法判断收益大小及不同噪声条件下的稳定性。 平台推测（待验证）：迁移假设是，时变干扰参数与潜在干净多通道信号的联合状态估计，可能用于 EEG 非平稳伪迹抑制。原方法依赖多通道时序观测及声学回声、混响的结构假设，具体参考信号和监督需求需查正文；可复用的是双状态建模与交替平滑优化思路，需改造的是 EEG 观测模型、伪迹动力学及通道耦合关系。低信噪比、跨被试差异、通道变化和小数据可能导致状态估计不稳定，或把任务相关脑活动误当作干扰。一个可证伪的小实验是在固定被试内划分的 EEG 上注入已知时变伪迹，对比单状态与双状态估计，并同时检查伪迹残留和原始 ERP 波形保真度。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是以两个状态空间模型及交替 Kalman 平滑优化联合处理时变回声与含噪多通道信号的机制，其对 EEG 伪迹建模的可迁移性尚未验证。