scROBM：用于单细胞潜在表示学习的角色引导瓶颈模型

基于摘要分析。研究针对单细胞表达中细胞身份、条件响应、个体背景与技术变异混杂，而单纯重建无法明确潜在坐标功能的问题，提出角色目标引导的瓶颈模型 scROBM。其主要研究对象是单细胞表达表示，并非 EEG 或 BCI 解码。 模型设置三个细胞级潜变量，分别承载细胞身份、扰动语义与供体背景，另设共享的供体级中心。训练包含两个耦合瓶颈：不直接接收标签的计数解码器，使依赖标签的重建信号必须通过指定潜变量传递；条件不变性（CI）惩罚，在数据支持的供体—细胞类型分层内，抑制联合背景均值中的条件信息，同时不约束供体间与细胞类型间差异。“不直接接收标签”不等于整个模型无监督：摘要明确说明，每个潜变量均接受单一角色的监督。 作者报告，在四个单细胞数据集上的评估中，供体相关结构的分离最清晰，细胞类型与条件相关表现则处于较高但依数据集而异的范围；摘要未给出具体指标及数值。作者还报告，供体背景表示能够区分供体，同时显露依赖细胞类型的条件结构，且该结构集中于处理作用的目标细胞群。其解释性结论仍需结合表示评估方式核对，不能仅凭角色监督认定各因素已完全解耦。数据集名称、监督标签来源、划分协议、对照、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，以角色监督和分层条件不变性区分任务信息与个体背景，可能有助于分析 EEG 中的跨被试混杂。但计数解码器需改为适配 EEG 的观测模型，细胞类型分层也没有直接对应物；低信噪比、通道差异及小样本可能使约束误删任务信息。可在固定跨被试划分下，对比角色瓶颈及加入分层 CI 后的任务解码与被试信息可预测性，以检验是否兼顾背景抑制和任务保留。这并非已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。