PTM：由鲁棒且可信的教师引导的三维表征学习环面掩码方法

PTM 研究三维点云掩码建模中上下文供给与重建难度的权衡，提出结合 torus masking、鲁棒教师和可信教师的 Transformer 风格方法。基于摘要分析，其主要研究对象是三维几何表征，而非 EEG 或 BCI。 作者认为，随机掩码区域获得的上下文过多，虽降低建模难度，却妨碍知识迁移；块状掩码区域则可能因引导不足产生较多重建噪声。PTM 选择高密度区域作为掩码区域，同时保留中心点周围小半径邻域，形成环面状掩码，以调整可见局部信息与待重建区域的关系。 教师机制分为两部分：鲁棒教师捕捉密度尺度以构造噪声嵌入，并通过 reverse fit function 辅助重建；可信教师将多模态全局描述符定义为主观证据，再根据各项证据对三维表征的贡献，形成语义层面的半主观可信证据来引导重建。摘要未说明模态来源、证据贡献的计算方式、教师训练流程或具体损失形式，这些细节尚未验证。 作者报告，PTM 在多尺度点云分类与分割的下游微调任务中达到最先进性能，但摘要未提供数据集、划分、对照方法、指标或数值，因此无法核对优势幅度及适用条件。实验协议、消融及统计信息尚未验证。 该方法依赖点云空间邻域与密度结构，不能直接视为适用于 EEG 通道或时间片段的掩码策略。材料未提供神经信号上的机制验证；已有 EEG 相关工作尚未检索确认，当前不据此推断 BCI 有效性。