跳到正文
只看数据与复现#OpenReview
10月2日周五
  1. OpenReview · EEG80

    等价的 EEG，不同的表征：EEG 基础模型中未声明的采集约定

    基于摘要分析。研究考察 EEG 采集元数据被模型接口丢弃或重新解释时，物理上等价的记录是否仍产生一致表征，并分析通道身份、通道顺序与幅值单位对三个已发布 EEG 基础模型编码器的影响。作者提出六项一致性测试，以及用于声明通道身份、所需顺序和幅值单位的三个模型卡字段。 通道顺序测试同时重排 EEG 数据行与对应电极名称，因此不改变物理记录；合理接口应保持这种等价性，或明确要求的通道顺序。作者报告，LaBraM 与 EEGPT 在结构上具备此类不变性，数值差异处于浮点误差尺度；CBraMod 含绑定通道索引的卷积，因而对顺序敏感。预训练后的顺序效应为随机权重对照的 0.42 倍，通道轴卷积核能量的 83.1% 集中于中心抽头。 幅值约定的影响更明显。作者报告，三篇模型论文均说明输入尺度，但已发布推理路径均未强制落实该尺度。与直接输入原始微伏数值相比，在声明尺度下，EEGPT 的最大电极身份扰动效应增至 252 倍，CBraMod 的顺序效应增至 4.85 倍；EEGPT 的最大身份误差达到被试间表征距离的 0.67 倍。这些是特定扰动及表征距离比较，不能直接解释为分类性能下降。 在摘要所述 EEGPT 探针评估中，作者报告，一次 C3/C4 错标改变 11.5% 的预测；输入幅值缩小至规定尺度的十分之一改变 51.5% 的预测，Balanced Accuracy 却略有上升。其核心警示不是某种架构约定本身错误，而是接口未声明或未落实会实质影响计算的约定。 摘要未提供数据集、被试数、数据划分、探针训练设置及距离计算细节，实验协议、消融及统计信息尚未验证。复现时需核对发布版本、预处理单位、通道名称与顺序的映射，以及各扰动测试和对照的具体定义。

    阅读价值：值得核对其六项一致性测试：作者报告通道身份与幅值约定可显著改变已发布 EEG 基础模型的表征和下游预测，而 Balanced Accuracy 未必随之下降，提示仅看任务指标不足以验证接口行为。

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。

9月15日周二
  1. OpenReview · EEG70

    EEG-EyeTrack：面向时间序列与功能数据分析的基准、开放挑战及基线

    基于摘要分析。该研究针对从 EEG 重建眼动的回归问题，提出 EEG-EyeTrack 基准数据集，并提供面向功能数据分析（functional data analysis，FDA）的开放挑战、评估指标和 functional neural networks 基线。 数据与任务：作者介绍，新数据集使用消费级硬件在现实条件下采集，主要任务是由 EEG 信号重建眼动。其贡献不仅是提供数据，还包括设计面向 FDA 应用的挑战与评价体系。摘要未说明眼动预测目标的具体表示、同步采集方式、预处理流程或指标定义，这些内容尚未验证。 方法与结果：作者报告，使用 functional neural networks 在新数据集及既有 EEGEyeNet 数据集上建立了基线结果；EEGEyeNet 使用研究级硬件采集。摘要未给出具体性能数值，因此不能判断方法的重建精度，也不能据此认定消费级与研究级硬件之间存在何种性能差距。网络结构、训练目标、对照方法，以及被试内、跨被试、跨会话或跨数据集的划分协议均尚未验证；在两套数据上报告结果不等同于进行了跨数据集泛化评估。 阅读与复现重点：应核对数据的被试规模、EEG 通道配置、眼动参考信号质量、数据划分及评价指标，确认不同数据集上的任务与协议是否可比。对 BCI/EEG 研究而言，该基准可作为 EEG 眼动回归的评估材料，但摘要不足以判断模型利用了哪些信号成分、在真实应用中能否稳定泛化。数据与实现的获取条件、实验协议、消融及统计信息尚未验证。

    阅读价值：该基准将消费级硬件采集的 EEG 眼动重建数据、功能数据分析评估任务与 functional neural networks 基线结合，值得核对其评估协议及与研究级硬件数据 EEGEyeNet 的差异。

9月5日周六
  1. OpenReview · EEG76

    CoEEG：EEG 解码中的协作学习基准评估

    基于摘要分析。CoEEG 针对 EEG 解码中的被试间差异、单用户标注稀缺及隐私限制下的数据分散问题，构建联合比较模型与协作学习协议的基准。其贡献是将 MI（运动想象）、SSVEP、P300 三种范式、不同模型家族及共享边界放入统一评估框架，而非将协作学习视为普遍有效的训练方案。 基准覆盖具有范式特定先验的传统机器学习模型、从头训练的深度模型及 EEG 基础模型，共比较十种模型和四种涵盖非协作与协作训练的协议。摘要未给出协议名称、客户端构成、具体数据集或被试划分，不能据此判定结果属于何种 Within-subject、Cross-subject 或 Cross-session 设置。 作者报告，SSVEP 中十种模型有九种从协作中获益，并将这一现象解释为被试间决策边界较为共享；P300 中，只有各客户端保留私有分类头时，所有模型才均获益；MI 的收益则集中于独立训练表现较差的模型。在六个联邦评估组合中，从头训练模型家族的平均表现更高，但某个基础模型在其中两个组合取得单模型最佳成绩；摘要未说明这些组合的定义及对应指标。 作者以测得的表征对齐程度和推断的决策边界共享程度解释共享边界的作用，并报告私有分类头在 MI 中产生分化，未改善最弱客户端。摘要还报告 SSVEP 中最弱客户端下降 20.7 个百分点、最强客户端下降 9.3 个百分点，但对应指标、参照协议与客户端分组方式尚未验证，不能据此推导绝对表现。 作者报告，纳入参数量、内存及通信后，轻量模型在多数设置中具有更好的性能—成本权衡，最大基础模型的传输量最高达 378.73 GiB；该数值对应的训练轮次、统计范围及通信方向尚未验证。复现时应重点核对共享与私有模块、客户端数据划分、弱势客户端定义和成本核算口径；实验协议、消融及统计信息尚未验证。

    阅读价值：CoEEG 将 EEG 范式、模型家族与参数共享边界纳入同一评估框架，值得核对其协作收益、弱势客户端表现及通信成本之间的权衡，但具体协议与统计可靠性尚未验证。

3月2日周一
  1. OpenReview · EEG73

    我们需要领域专用的时间序列模型吗？来自 EEG 分类基准的启示

    基于摘要分析。该研究以 EEG 分类为案例，考察在异构时间序列上进行大规模预训练的通用时间序列基础模型，是否能够有效迁移到专门领域。核心贡献是比较通用模型、EEG 基础模型与经典神经网络基线，并通过线性探测、微调及随机初始化对照，分析模型性能的可能来源。 研究评估了 Mantis（约 8M 参数）和 MOMENT（超过 300M 参数），使用四个公开 EEG 数据集：TUEV、FACED、BCI-IV-2A 和 Error。摘要明确列出了线性探测与微调两种评估方式，但未提供各数据集的具体任务设置、被试内或跨被试等划分、指标及基线名称，因此不能将不同任务或协议下的表现直接合并比较。 作者报告，微调后的通用模型常能达到与 EEG 专用模型相当的表现，而线性探测的迁移表现较差。作者还报告，随机初始化的 Mantis 与预训练版本表现相近，并据此提出：其架构而非预训练可能解释了相当部分性能。这一解释不等于通用预训练对所有 EEG 任务无效，也不能直接推广至 MOMENT。 复现时值得核对预训练与随机初始化版本是否采用一致的数据划分、训练预算和模型选择流程，并分别查看各数据集的结果与不确定性。具体性能数值、实验协议、消融及统计信息尚未验证；全文、实现与复现条件也尚未核实。

    阅读价值：值得核对其通用时间序列基础模型与 EEG 专用模型的对照，以及 Mantis 预训练与随机初始化的比较，以区分预训练迁移收益和架构本身的贡献。

1月26日周一
  1. OpenReview · EEG77

    EEG 基础模型值得采用吗？在多种 BCI 任务中与传统解码器的比较评估

    基于摘要分析。该研究考察 EEG 基础模型相较于传统解码方法，尤其是经典非神经网络方法，是否具有稳定优势；核心贡献是跨数据集、解码任务和六种评估协议的比较基准，并引入 ST-EEGFormer 作为预训练基线。 方法方面，ST-EEGFormer 是基于 Vision Transformer（ViT）的时空 EEG 模型，仅使用 masked autoencoding（MAE）在超过 8M 个 EEG 片段上预训练。摘要未提供片段长度、来源构成、预训练与下游数据的关系，以及掩码策略和微调配置，这些复现条件尚未验证。研究覆盖多种 EEG 基础模型、紧凑神经网络与经典非神经网络解码器，并采用统计检验；具体模型、数据集、任务及六种协议的定义未在摘要中列出，不能据此确定其被试内、跨被试或跨会话设置。 作者报告，微调后的基础模型在数据充足、群体层面的评估中表现较好，但在数据稀缺场景下，往往不能显著优于紧凑神经网络，甚至经典非神经网络解码器。作者还报告，线性探测的表现持续偏弱，下游任务之间的性能差异较大，所比较的神经网络解码器未呈现清晰的缩放规律。摘要未给出具体指标、效应量或统计检验细节，因此这些结论不能扩展为所有 EEG 基础模型或所有 BCI 场景的普遍判断。 作者将结果解释为预训练与下游微调之间存在较大落差，复杂预训练任务的收益可能因此被削弱，并指出有未显式揭示的架构因素影响性能。阅读全文时需核对架构因素如何被隔离、预训练和微调贡献如何比较，以及各协议的数据划分、调参预算和统计方法。实验协议、消融及统计信息尚未验证；当前材料支持将其作为 EEG 基础模型收益边界的评估研究，而非认定基础模型无效。

    阅读价值：该研究通过多任务、六种评估协议及统计检验比较 EEG 基础模型与传统解码器，值得核对其数据稀缺场景下的收益边界及预训练与微调贡献的区分。

9月23日周二
  1. OpenReview · EEG67

    NEUROSKY–EPI：首个开放的单电极癫痫 EEG 数据集及情境感知建模与临床依据元数据

    基于摘要分析。研究面向消费级单电极设备上的癫痫 EEG 分析，提出 NEUROSKY–EPI 数据集，并评估 EEGNet 跨数据集应用及情境信息增强。作者称其为据其所知首个开放的单电极癫痫 EEG 数据集，该优先性尚未独立验证。 数据由 NeuroSky MindWave Mobile 2 采集，包含 25 名患者的 2,032 个带标签的 1 秒窗口，并附有癫痫发作类型、抗癫痫药物、共病、用药依从性、教育和社会经济状况等元数据。摘要未明确窗口标签的具体定义、类别分布及采集条件。 评估方案是在 CHB–MIT 的 24 名患者、12,009 个 8 秒片段上训练 EEGNet，仅使用 Fp1 通道以匹配消费级设备的单导联设置，再直接在 NEUROSKY–EPI 的频带功率特征上评估。作者报告，该跨数据集设置的测试 Accuracy 约为 60%；加入由自编码器生成、概括静息↔清醒响应性的 16 维情境向量后，Accuracy 约为 68%。两者相差约 8 个百分点，但训练输入与目标频带功率特征如何对齐、不同窗口时长如何处理，以及患者级数据划分均尚未验证。 作者还报告，EEGNet 倒数第二层的患者级嵌入在加入情境后具有更强的无监督可分性，KMeans 对应数值由 54.17% 升至 66.67%；摘要未说明该数值的具体指标定义，不能等同于测试 Accuracy 或临床诊断性能。 作者表示将发布去标识化数据、代码及数据集／模型卡，目前不能据此确认已开放下载。复现应核对情境向量的来源及训练范围、元数据在推理时的可得性、评估划分与标签定义；实验协议、消融及统计信息尚未验证。该摘要支持对低计算量单电极分析可行性的初步研究，不构成临床有效性验证。

  2. OpenReview · EEG72

    EEG 基础模型：当前进展与未来方向的批判性综述

    基于摘要分析。本文关注自监督 EEG 基础模型（EEG-FMs）能否支持稳健、可扩展的 EEG 特征提取，以及现有证据是否足以判断其真实应用准备程度。作者对十个早期第一代 EEG-FMs 进行批判性综述，围绕原始输入数据表示、自监督表征学习和评估策略三个维度，综合方法趋势、实证发现与待解决问题。 在方法层面，作者指出，现有 EEG-FMs 的模型架构与自监督方式大量借鉴语言和视觉领域。摘要未列出纳入综述的模型名称，也未展开各模型的输入组织、学习目标、训练数据规模或适用任务，因此不能据此判断具体技术路线的优劣。 在评估层面，作者报告，现有 EEG-FMs 的评估具有异质性且总体受限，难以据此判断模型开箱即用的实际价值。这是综述作者对所纳入工作的综合判断，不等于所有 EEG-FMs 均缺乏实用性，也不能替代在具体任务和数据划分下的验证。摘要未提供性能数值、对照基线或被试内、跨被试、跨会话及跨数据集协议，具体评估结论与证据覆盖范围尚未验证。 作者建议未来采用标准化且贴近真实使用条件的评估，展示实质性的规模扩展效应，并在 EEG-FM 全流程中作出有原则、可信赖的方法选择；同时与领域专家合作发展基准、软件工具、技术方法及临床和科学应用。这些是研究方向建议，而非已证实的性能或临床收益。 阅读全文时宜核对十个模型的纳入标准、文献覆盖范围、不同评估协议的可比性，以及规模扩展效应和可信赖性所对应的具体证据。实验协议、消融及统计信息尚未验证。本文提供的是综述性分析框架，而不是新模型发布或临床验证。

    阅读价值：该综述从输入表示、自监督学习与评估策略三个环节审视早期 EEG 基础模型，值得用于核对现有模型的开箱即用证据与评估可比性，但具体比较结论仍需全文验证。

5月1日周四
  1. OpenReview · Representation learning74

    Sliding Puzzles Gym：视觉强化学习中状态表征的可扩展基准

    基于摘要分析。该研究针对视觉强化学习基准难以将表征学习能力与其他学习挑战分离评估的问题，提出 Sliding Puzzles Gym（SPGym），将经典 8-tile puzzle 转化为使用可扩展图像池的视觉 RL 任务。其核心贡献是通过可调网格大小和图像池控制视觉表征难度，为研究表征能力随视觉多样性变化的表现提供评估环境。 机制上，摘要称 SPGym 在保持环境动力学、观测空间和动作空间固定的同时，调节表征学习复杂度。不过，网格大小变化与这些空间保持固定之间的具体实现关系，仍需正文核对。该基准依赖图像构成的拼图观测与 RL 交互任务；图像内容、池规模及训练与测试的分布划分，是解释泛化结果的重要条件。 作者报告，在所评估的 model-free 与 model-based RL 算法中，随着可能出现的图像池扩大，所有受评算法的分布内和分布外表现均下降；复杂表征学习技术也常不及数据增强等较简单方法。这一结果限定于摘要所述实验，不能扩展为所有 RL 方法的普遍结论。具体算法、图像数据集、评价指标、划分协议、消融及统计信息尚未验证，摘要未提供可用于量化比较的数值。 平台推测（待验证）：其对 BCI 的潜在启发主要是评估设计，而非直接可迁移的模型——可借鉴将任务规则与输入多样性分开控制的思路，检验 EEG 表征在跨被试或跨会话变化下的稳定性。但 EEG 的低信噪比、通道差异及有限样本与视觉拼图不同，需要重新定义观测、任务和分布变化因素；不能据此认定 SPGym 的结果适用于 EEG。已有 EEG 相关工作尚未检索确认。复现前还需核对环境实现、图像池构建方式、对照配置与代码可用性。

    阅读价值：SPGym 通过控制图像池与拼图规模考察视觉表征能力，值得核对其隔离表征难度的实验设计，以及复杂表征方法与数据增强在相同协议下的比较结果。

4月2日周三
  1. OpenReview · EEG71

    EEG-EyeTrack：面向时间序列与函数型数据分析的基准、开放挑战及基线

    研究面向从 EEG 信号重建眼动的回归问题，提出 EEG-EyeTrack 基准数据集，并为函数型数据分析（Functional Data Analysis，FDA）应用设计开放挑战与评估指标，同时使用 functional neural networks 建立基线。以下基于摘要分析，未取得论文全文。 方法与贡献：该工作的重点是数据与评估框架，而不只是单一预测模型。主要任务是以 EEG 为输入重建眼动，functional neural networks 用于提供这一回归任务的基线。摘要未说明 EEG 与眼动的同步方式、预测目标的具体表示、模型结构、损失函数或训练流程，尚不能判断其如何利用时间序列的函数型结构。 数据与结果：作者报告在采用消费级硬件的新数据集，以及采用研究级硬件的 EEGEyeNet 数据集上给出了基线结果。摘要未提供具体指标名称、数值、被试规模、数据划分或对照模型，因此不能量化性能，也不能据此认定模型具有跨硬件或 Cross-dataset 泛化能力。两类硬件数据上的结果是否采用一致任务和评估协议，需要核对全文。 阅读与复现重点：应核对开放挑战的定义、评估指标如何衡量眼动重建质量、EEG 与眼动标签的对齐及预处理方式，以及被试内、跨被试或跨会话划分是否适用于所报告结果。实验协议、消融及统计信息尚未验证；数据访问条件、基线实现与运行配置也尚未验证。该材料支持将其视为 EEG 眼动重建与 FDA 方法比较的候选基准，但不支持推断其在其他 BCI 任务上的效果。

    阅读价值：值得阅读的具体原因是该研究将 EEG 眼动重建组织为函数型数据分析基准，并提供开放挑战、评估指标及 functional neural networks 基线；其评估协议与跨硬件适用性仍需全文核对。

10月22日周二
  1. OpenReview · Representation learning74

    Sliding Puzzles Gym：用于视觉强化学习状态表征的可扩展基准

    基于摘要分析。该研究针对视觉强化学习中难以将表征学习与策略学习分开评估的问题，提出 Sliding Puzzles Gym（SPGym）。它扩展经典 15-tile puzzle，通过改变网格尺寸和观测空间来调节表征挑战，同时保持潜在环境动力学与算法问题固定，旨在评估智能体构建组合性、可泛化状态表征的能力。 核心机制是控制任务的潜在结构，并扩展视觉观测的复杂度；观测空间可包含大型真实世界图像数据集。该设计提供了一个研究思路：观察智能体表现如何随表征挑战增加而变化，而不只考察单一视觉条件下的任务表现。不过，网格尺寸变化与固定动力学之间如何协调，以及不同难度下如何控制规划负担，仍需查阅正文确认。 作者报告，实验覆盖 model-free 与 model-based RL 算法，并比较有、无显式表征学习组件的设置；随着表征挑战扩大，SPGym 能区分受测智能体的能力。作者还报告，在更高难度下，没有受测算法能够持续表现突出。摘要未提供算法名称、图像数据集、训练规模、数据划分、评价指标或数值结果，实验协议、消融及统计信息尚未验证，不能据此判断具体算法的优势或泛化边界。 平台推测（待验证）：其“固定潜在任务、改变观测难度”的思路可为 EEG 表征评估提供借鉴，但原基准依赖拼图状态和视觉观测，并未验证 EEG/BCI 效果。假设可以构造具有已知潜在状态的 EEG 模拟任务，复用难度分级与受控对照框架，需将图像观测替换为多通道时序，并处理低信噪比、通道差异及跨被试变异。一个可检验的小实验是在固定潜在状态和决策规则下，仅改变模拟 EEG 的噪声水平，比较有、无显式表征模块的状态识别与任务表现；其局限是模拟结构可能不能代表真实 EEG。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读的具体原因是 SPGym 在保持潜在环境动力学与算法问题固定的同时扩展视觉表征难度，为区分表征学习与策略学习的影响提供了可核对的评估思路，但其隔离效果与实验细节尚未验证。

1月1日周五
  1. OpenReview · Representation learning62

    知识表示学习的应用

    基于摘要分析。本文围绕知识表示学习（KRL）的模型设计、评估与 NLP 下游应用展开综述，核心贡献是从评分函数、模型编码类型和附加信息三个视角整理总体框架，而非提出新的模型或发布基准。 机制与内容：摘要描述，KRL 在实体和关系提取之后，将其语义表示到低维空间，以支持知识获取、融合与推理。作者将缓解数据稀疏性、改善相关任务表现作为该类方法的作用，但摘要未提供可核对的定量结果。文中还介绍各类模型对应的评估任务、评价指标与基准数据集，并总结其在 NLP 下游任务中的应用；具体模型名称、损失形式、数据集及对照结果尚未验证。 阅读与复现边界：这份材料适合用于建立方法分类和评估问题清单，不能据此判断某种 KRL 方法优于其他方法。实验协议、消融及统计信息尚未验证，具体复现仍需查阅全文及其引用的原始研究。 平台推测（待验证）：若 EEG/BCI 场景中存在明确的实体—关系结构及可用监督，KRL 的低维表示思路可能用于整合任务、记录条件或其他结构化元信息；它并不直接解决 EEG 时序信号的低信噪比问题。迁移时需改造实体与关系定义，并核对跨被试划分下的监督边界，小数据和关系稀疏可能使表示不稳定。可检验的小实验是在固定 Cross-subject 划分下，对比加入 KRL 元信息表示与不加入该表示的同一解码基线，判断其是否提供增量价值。该假设不是本文已验证的 EEG/BCI 结果，已有 EEG 相关工作尚未检索确认。

1月1日周四
  1. OpenReview · State space models75

    物体识别基准中数据集偏差的比较

    基于摘要分析。该研究考察物体识别基准中的分类表现是否可能来自数据集内的非对象线索，而非对象识别能力；核心方法是从每张图像中截取看似空白、且小到无法人工识别对象的区域，用这些子图进行分类，以检测并比较数据集偏差。 这一设计保留原图的类别归属，却大幅削弱可人工解释的对象信息。作者报告，在所有受测数据集中，子图分类的 Accuracy 均高于随机机会水平；在受测数据集范围内，PASCAL 的观测偏差最低，而在受控环境中采集的 COIL-20、COIL-100 和 NEC Animals 更易受到此类偏差影响，子图分类的 Accuracy 远高于随机机会水平。摘要未给出具体数值、分类器、图块大小与位置、数据划分或机会水平的计算方式，实验协议、消融及统计信息尚未验证。这些结果支持非目标线索可能驱动分类的解释，但不能据此断言相关基准上的所有算法都未识别对象。 平台推测（待验证）：该思路可用于检查 EEG 解码是否依赖采集条件或其他非目标信息，而非目标神经活动。原方法依赖样本级类别标签，以及能够削弱目标信息、同时保留部分采集特征的输入区域；迁移时可复用其负对照框架，但需重新界定 EEG 中的对照时间窗或信号片段，不能将视觉上的“空白”直接等同于没有神经信息。低信噪比、小样本以及标签与被试、会话或通道配置共变，均可能使结果难以解释。 一个可检验的小实验是假设任务前基线窗不含目标任务信息，在固定的 Cross-subject 划分下，对比基线窗与任务窗的解码表现，并用保持被试结构的标签置换估计机会水平；若基线窗仍可预测类别，再核查采集条件与标签的关联，而非直接判定泄漏。已有 EEG 相关工作尚未检索确认。

    阅读价值：该研究以不含可人工识别对象信息的小图块检验数据集偏差，为区分任务识别能力与非目标线索驱动的分类提供了可复现思路，但其向 EEG 评估的适用性尚未验证。