University of Texas at Austin（得克萨斯大学奥斯汀分校）

Transition-Related Potentials as Markers of Narrative Comprehension in Continuous EEG

作为连续脑电图中叙事理解标记的转换相关电位

Bálint Csanády, Péter Vedres, Kristóf Zsolt Makó, Orsolya Papp-Zipernovszky, Márta Volosin, Dávid Apagyi, András Lukács, András Bálint Kovács, Zoltan Nadasdy

机构 * ELTE Eötvös Loránd University（埃尔特大学） ； Budapest University of Technology（布达佩斯技术大学） ； HUN-REN Wigner Research Centre for Physics（HUN-REN威金物理研究所） ； Semmelweis University（塞梅尔维斯大学） ； University of Miskolc（米什科尔茨大学） ； University of Szeged（塞格德大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 研究利用连续脑电图探索叙事理解，提取与电影转换对齐的电位，发现转换相关电位受叙事背景影响，可用深度神经网络从连续记录中恢复，为分析观众理解电影叙事提供半自动框架，还可用于其他连续刺激。

Comments 40 pages, 14 figures

Beyond Episodic Evaluation: Memory Architectural Bottlenecks in Sequential Embodied Question Answering

超越情节性评估：序列式具身问答中的内存架构瓶颈

Zikui Cai, Kaushal Janga, Tan Dat Dao, Seungjae Lee, Shivin Dass, Mingyo Seo, Kaiyu Yue, Mintong Kang, Nandhu Pillai, Monte Hoover, Aadi Palnitkar, Ruchit Rawal, Ruijie Zheng, Bo Li, Yuke Zhu, Roberto Martín-Martín, Tom Goldstein, Furong Huang

机构 * University of Maryland, College Park（马里兰大学帕克分校） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 研究序列式具身问答中不同内存架构表现，发现仅保留现有记忆不足，短视情节数据训练的智能体有时间不匹配问题。强调结构化、基于空间记忆的必要性，实验表明其能打破准确性-效率权衡，对真实机器人连续智能操作至关重要。

Comments Accepted to IROS 2026