REmoNet：通过多重正则化自监督减少情绪标签噪声

基于摘要分析。REmoNet 面向 EEG 情绪识别中的标签噪声、时空频谱特征提取及低信噪比问题，将自监督预训练与多重正则化协同学习微调结合，旨在同时处理原始 EEG 信号与带噪情绪标签。 研究的问题背景是：将视频观看期间的情绪视为持续被诱发且保持稳定，可能造成 EEG 片段与预期情绪标签不一致。该工作据此将标签噪声处理纳入学习流程，而不只关注分类表征。 在预训练阶段，作者引入两种自监督方法：通过时频变换进行掩码通道建模，以及情绪对比学习，用于提取与情绪相关的 EEG 表征。摘要未交代掩码策略、对比样本构造、监督信息来源及具体损失形式，尚不能确定这些设计如何分别捕获时间、空间和频谱信息。 在微调阶段，多重正则化协同学习利用内在相似性所提供的特征依赖信息，以缓解情绪标签噪声。其具体正则项、协同学习流程以及是否涉及标签修正，需查阅全文验证。 作者报告，在两个公共数据集上的实验中，REmoNet 优于已有最先进方法；但摘要未提供数据集名称、被试规模、被试内或跨被试等划分协议、评价指标及数值，因此无法判断优势幅度与适用范围。复现时需核对预训练和微调的数据边界、标签噪声的定义与评估方式，以及两种自监督任务和多重正则化各自的贡献；实验协议、消融及统计信息尚未验证。