SpikeOcc：通过脉冲专家实现更稳健的多模态三维占据感知

基于摘要分析。本文研究自动驾驶中的多模态三维占据预测，重点是传感器缺失时的感知稳健性，而非 EEG 解码或 BCI。作者提出 SpikeOcc，以 Spiking Mixture-of-Experts（SMoE）和 Sensor Availability Learning（SAL）应对多模态融合及脉冲神经网络（SNNs）的优化挑战。 机制上，SMoE 为 RGB、LiDAR 及二者联合融合设置专门路径，使单模态表示保留完整宽度，并通过有界残差保留原有多模态特征。SAL 不仅使用传感器随机丢弃，还引入分阶段课程与显式路由监督，逐步适应更严苛的传感条件。摘要未披露脉冲神经元模型、残差约束形式、路由目标、具体损失及课程安排。 作者报告，在其三维占据预测实验中，SpikeOcc 保持了有竞争力的全传感器准确性，并提高了传感器失效条件下的性能下限；作者还报告 SAL 对常规模型也有收益。摘要未提供数据集、划分、基线、指标或具体数值，实验协议、消融及统计信息尚未验证。能效在摘要中属于潜力判断，不能据此认定已有实测节能收益。 平台推测（待验证）：若 BCI 系统具有同步采集的多模态数据，且存在整路模态缺失，专用路径与可用性监督可能值得迁移评估；这一假设不等于 SNN 已被证明适合 EEG。可考虑复用 SAL 思路，但需改造信号编码、时序对齐及路由目标，并区分整路模态缺失与局部 EEG 通道失效。低信噪比、跨被试差异和小数据可能使路由过拟合。一个可检验的小实验是在固定跨被试划分及相同缺失协议下，对比普通融合、仅模态丢弃训练与加入 SAL 思路的训练，分别评估完整输入及单模态失效表现。相关 EEG 工作尚未检索确认。