脑机接口 / BCI

SPD Learn: A Geometric Deep Learning Python Library for Neural Decoding Through Trivialization

SPD Learn: 一种基于对称正定矩阵的几何深度学习Python库用于神经解码通过平凡化

Bruno Aristimunha, Ce Ju, Antoine Collas, Florent Bouchard, Ammar Mian, Bertrand Thirion, Sylvain Chevallier, Reinmar Kobler

机构 * A&O, LISN, Université Paris-Saclay, CNRS, Inria TAU/NERV, France（A&O、LISN、巴黎-萨克雷大学、CNRS、Inria TAU/NERV，法国） ； Yneuro, France（Yneuro，法国） ； University of San Diego, EUA（圣地亚哥大学，美国） ； Inria, CEA, Université Paris-Saclay, Palaiseau, France（Inria、CEA、巴黎-萨克雷大学、Palaiseau，法国） ； Université Paris-Saclay, CNRS, CentraleSupélec, L2S, France（巴黎-萨克雷大学、CNRS、CentraleSupélec、L2S，法国） ； Université Savoie Mont Blanc, LISTIC, France（萨伏伊-蒙博利大学、LISTIC，法国） ； A&O, LISN, Université Paris-Saclay, CNRS, Inria TAU, France（A&O、LISN、巴黎-萨克雷大学、CNRS、Inria TAU，法国） ； Advanced Telecommunications Research Institute International, Kyoto, and RIKEN Artificial Intelligence Project, Tokyo, Japan（国际电信研究中心、京都，和日本理化学研究所人工智能项目，东京，日本） 纠错

专题命中 其他BCI ：neural decoding(title,abstract)；brain computer interface(abstract)；分类 q-bio.NC、cs.LG

AI总结 SPD Learn是一种基于对称正定矩阵的几何深度学习Python库，通过平凡化参数化实现流形约束，提供统一的神经网络层和SPD运算符，用于神经解码和脑机接口应用。

Comments 9 Pages

Physics-Informed Graph-Neural Decoding of the Surface Code: the Logical Signal as an Exact Topological Pairing

基于离散外微积分的用于表面码解码的物理信息图神经网络

P. E. Trevisanutto, S. Dhanpal, S. Basak, L. Petit, J. Thiyagalingam

专题命中 其他BCI ：neural decoding(title)

AI总结 研究针对表面码解码问题，提出基于离散外微积分的物理信息图神经网络解码器，通过离散泊松方程学习边权重，利用可微求解器获取电流，证明特定电流差值为拓扑配对，该方法在旋转表面码解码中表现良好，能精确读出逻辑信号。

Robust Sparse Bayesian Learning Based on Minimum Error Entropy for Noisy High-Dimensional Brain Activity Decoding

基于最小误差熵的鲁棒稀疏贝叶斯学习用于噪声高维脑电活动解码

Yuanhao Li, Badong Chen, Wenjun Bai, Yasuharu Koike, Okito Yamashita

机构 * Department of Computational Brain Imaging, ATR Neural Information Analysis Laboratories（计算脑成像部门，ATR神经信息分析实验室） 纠错

专题命中 其他BCI ：brain-computer interface(abstract)；分类 eess.SP、cs.LG

AI总结 研究旨在构建鲁棒稀疏贝叶斯学习框架解决噪声高维脑电活动解码问题。基于最小误差熵学习准则，在广义贝叶斯范式下重构框架，所提算法在解码任务中性能更优且模式更具生理可解释性。

Parameter-Efficient Neuroevolution for Diverse LLM Generation: Quality-Diversity Optimization via Prompt Embedding Evolution

参数高效神经进化用于多样化大语言模型生成：通过提示嵌入进化实现质量-多样性优化

Dongxin Guo, Jikun Wu, Siu Ming Yiu

机构 * The University of Hong Kong（香港大学） ； Stellaris AI Limited（Stellaris AI有限公司） 纠错

专题命中 其他BCI ：neural interface(abstract)；分类 cs.LG

AI总结 本文提出QD-LLM框架，通过进化提示嵌入实现参数高效神经进化，提升大语言模型生成质量与多样性，实验显示其在多个基准测试中表现优异。

Comments 11 pages, 3 figures, 7 tables, 1 algorithm, 1 theorem. Accepted to GECCO 2026

Shao: Scaling Acoustic Token Language Models Toward High-Fidelity Music Generation

Shao：将声学令牌语言模型扩展至高保真音乐生成

Jiafeng Liu, Yuanliang Dong, Hongjia Liu, Yuqing Cheng, Zhancheng Guo, Huijing Liang, Wenbo Zhan, Yuming Sun, Xiaobing Li, Feng Yu, Maosong Sun

机构 * Central Conservatory of Music（中央音乐学院） ； Tsinghua University（清华大学） 纠错

专题命中 其他BCI ：neural decoding(abstract)

AI总结 该研究提出单一声学令牌层级内渐进建模音乐结构与保真度的框架，通过双阶段生成与混合注意力训练，无需异构空间即可实现高质量音乐生成。