AdaRelate：学习获取用于 EEG 情绪识别的多尺度证据

基于摘要分析。该研究针对 EEG 情绪识别中有效证据的尺度与位置随记录变化的问题，提出 AdaRelate，将识别建模为以可靠性为锚的序贯层级证据获取，而非一次性构建广泛的通道、区域及区域间关系表示。 机制上，一个由训练数据拟合的低阶锚点提供初始类别 logits；随后，受图约束的 actor–critic 在 REGION、CHANNEL、RELATION 与 STOP 动作之间选择。每一步仅计算被选中的共享专家，其证据用于下一步决策。严格前向的累积器整合同一试次内此前窗口的信息。摘要未说明锚点的具体形式、区域划分、图约束、奖励函数及专家结构，相关实现尚未验证。 作者报告，在四个数据集上，完整系统的 Accuracy、Balanced Accuracy 和 macro-F1 均超过其复现对照中的最高均值，但摘要未提供数据集名称、被试规模以及被试内、跨被试或跨会话划分。在匹配的三随机种子评估中，作者报告 Accuracy 为 66.81%，对照 one-shot top-k 为 65.87%，no-RL routing 为 65.64%；具体测试协议与结果聚合方式尚未验证。作者还报告，移除锚点使 Accuracy 下降 7.42 个百分点，前向历史贡献 6.06 个百分点，具体消融条件需核对全文。 作者报告，证据置零诊断显示已获取证据会改变后续动作与停止决策，四数据集的分配图呈现不同的通道、区域和关系选择。这为分析序贯路由是否实际依赖证据提供了线索，但不能仅据摘要将选择图解释为神经生理机制。 复现时需核对训练与测试划分、锚点拟合范围、历史累积的试次边界、对照计算预算，以及序贯策略的推理时延和专家调用次数。实验协议、消融细节及统计信息尚未验证；当前材料支持的是 EEG 情绪识别方法研究，尚不能据此确认在线 BCI 应用效果。