EEG-AS：通过行为重建实现 EEG 基础模型的实例级选择

基于摘要分析。针对单个 EEG 基础模型难以在不同数据集及单条 EEG 实例上持续最优的问题，本文将模型选择表述为实例级 Algorithm Selection（AS）问题，提出 EEG-AS，在七个 EEG 基础模型构成的候选集合中进行自适应选择，而非提出新的 EEG 基础模型。 核心机制是结合推理时可获得的 EEG 潜在嵌入、手工神经生理特征及一个锚点基础模型来表征实例。训练阶段，框架以锚点基础模型为条件，利用特权预测 token 学习重建其他基础模型的行为；推理阶段则估计这些行为，无需执行完整候选模型集合。摘要未明确行为重建的具体目标、损失形式，以及潜在嵌入和特权预测 token 的生成方式，这些实现细节尚未验证。 作者报告，在七个公开 EEG 基准上的实验中，EEG-AS 显著缩小了 Single Best Solver（SBS，单一最佳求解器）与逐实例 oracle 上界之间的差距。摘要未给出基准名称、任务、评价指标、具体数值或被试内、跨被试等划分背景，因此无法量化收益，也不能将该结论等同于所有任务上的绝对最优表现。 复现时需核对候选基础模型及锚点配置、选择器训练与测试划分、SBS 和 oracle 的计算口径，以及特征提取、锚点推理和最终模型执行的端到端成本。还需确认模型选择收益能否覆盖选择器自身开销，以及对未见被试、会话或数据集的适用范围；完整实验协议、消融及统计信息尚未验证。