USDRL：基于多粒度特征去相关的统一骨架稠密表征学习

基于摘要分析。该研究面向基于骨架的动作表征学习，针对现有方法依赖负样本、偏重全局表征而难以兼顾稠密预测的问题，提出统一框架 USDRL，通过多粒度特征去相关与 Dense Spatio-Temporal Encoder（DSTE）学习细粒度动作表征。 机制上，USDRL 在时间、空间和实例域进行特征去相关，以降低表征维度间的冗余；DSTE 则用于捕捉细粒度动作信息。作者将其与需要动量编码器、记忆库获取负样本的主流方法作对照，但摘要未提供具体损失形式、编码器结构、数据增强及训练配置，尚不能核验各组件的独立贡献。 作者报告，在 NTU-60、NTU-120、PKU-MMD I 和 PKU-MMD II 上，覆盖 action recognition、action retrieval 与 action detection 的实验优于现有 SOTA 方法。摘要未列出具体指标、数值、数据划分及对照方法，因此无法判断不同任务的增益幅度或直接比较各协议结果；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其多粒度去相关机制可能为 EEG 时空表征的冗余控制提供参考，但这是迁移假设，并非已验证的 BCI 结果。原方法依赖骨架序列的关节空间结构及时间结构，监督方式与训练规模尚未明确；迁移时可尝试复用去相关思想，但需将关节结构改造为电极布局，并重新定义时间、通道与实例维度。EEG 的低信噪比、跨被试差异、通道不一致及小数据条件可能使去相关压制有效共享信号或导致估计不稳定。一个可证伪的小实验是在固定 EEG 编码器、训练数据及跨被试划分下，对比不加去相关与加入多粒度去相关的版本，检查下游性能及多次运行稳定性。相关 EEG 工作尚未检索确认。