CaloRex：从自监督表征学习到快速量能器模拟

CaloRex 研究高粒度量能器簇射数据的自监督表征能否超越分类用途，进一步支持快速量能器模拟。作者提出受 DINO 启发的框架，通过局部视图与全局视图之间的一致性学习空间连贯的稠密表征，再将这些特征作为 flow matching 模型的条件变量，用于条件生成。基于摘要分析，未取得论文全文。 机制与验证：作者先通过线性探测和输入扰动下的鲁棒性测试评估表征，报告相较从头训练的模型有显著改善；随后将表征引入生成模型，并用 representation alignment 进一步引导学习。作者报告，相比基线生成模型，该方案具有更低的训练损失，生成的物理量分布也更准确。摘要未提供数据集、划分、具体指标、基线配置或数值，因此尚不能判断收益幅度，也不能将较低训练损失直接等同于更快的推理速度。实验协议、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，局部—全局一致性预训练能够提取适合下游条件建模的结构特征。原方法依赖具有局部空间结构的量能器簇射数据；若用于 EEG，需要把视图构造改为符合电极拓扑和时间结构的裁剪或扰动，并验证局部视图是否保留任务相关信息。低信噪比、跨被试差异、通道变化及小数据可能使一致性目标偏向伪迹或个体特征。一个可证伪的小实验是在固定跨被试划分和相同下游模型下，对比从头训练与局部—全局自监督预训练的线性探测表现，并单独评估输入扰动鲁棒性。原文未报告 EEG 或 BCI 验证，已有 EEG 相关工作尚未检索确认。