PLReMix：通过伪标签放宽的对比表征学习应对噪声标签

基于摘要分析。本文研究噪声标签学习（LNL）中，对比表征学习（CRL）从预训练转为端到端联合优化后出现的性能退化问题，提出 PLReMix 框架，以 Pseudo-Label Relaxed（PLR）对比损失缓解联合训练中的损失冲突。研究对象是通用噪声标签学习，而非 EEG 或 BCI。 核心机制：作者报告，直接将 CRL 损失与 LNL 方法结合会产生明显性能退化，并通过实验将其归因于损失间的优化冲突。PLR 损失为每个样本过滤不合适的负样本对，构造更可靠的负样本集合；框架还采用二维 Gaussian Mixture Model，同时利用语义信息与模型输出区分干净样本和噪声样本。摘要未给出伪标签生成、负样本筛选规则、混合模型输入的具体定义及联合优化细节。 证据与复现：作者报告，在多个基准数据集上验证了方法有效性，并将可插拔的 PLR 损失集成到其他 LNL 方法中观察到性能提升。摘要未列出数据集名称、噪声类型与比例、评估指标、具体分数或对照协议，实验协议、消融及统计信息尚未验证。材料提供了代码地址，但实现与论文设置的一致性尚未核对。 平台推测（待验证）：若 EEG 分类数据存在任务标签噪声，且伪标签仍具有一定可靠性，筛除不合适负样本对可能减少语义相近样本被错误推离的问题。可尝试复用 PLR 损失与样本区分机制，但需适配 EEG 编码器、信号增强与伪标签校准；低信噪比、跨被试或通道差异可能使伪标签与混合模型分组失真，小数据条件也可能削弱负样本集合的可靠性。一个可证伪的小实验是在固定 EEG 被试内划分和相同编码器下，仅对训练标签注入已知比例的噪声，对照原 LNL 方法、直接加入 CRL 损失及加入 PLR 损失，比较 Accuracy 与负样本筛选误差。已有 EEG 相关工作尚未检索确认。