SATTC：用于跨被试 EEG-to-image retrieval 的结构感知无标签测试时校准

基于摘要分析。该研究针对跨被试 EEG-to-image retrieval 中被试分布偏移与嵌入空间 hubness（枢纽性）引起的相似度几何失真和 Top-k 排序不稳定，提出 SATTC（Structure-Aware Test-Time Calibration）。该方法在冻结 EEG 与图像编码器的条件下，以无标签校准层调整相似度矩阵，旨在提高视觉解码中小候选集的可靠性。 机制上，SATTC 融合几何专家与结构专家：前者结合 EEG 嵌入的被试自适应白化及自适应 Cross-domain Similarity Local Scaling（CSLS）；后者利用互为最近邻、双向 Top-k 排名和类别流行度构造结构信息，再通过简单的 Product-of-Experts 规则融合。摘要未给出各项计算公式、融合参数或类别流行度的具体估计方式，不能据此确定其实现细节。 作者报告，在 THINGS-EEG2 的严格留一被试评估协议下，使用余弦相似度、L2 归一化嵌入和候选白化的标准化推理，已较原始 ATM 检索设置形成更强的跨被试基线。在这一基线上，作者报告 SATTC 进一步提升 Top-1 和 Top-5 Accuracy，降低 hubness 与类别间不均衡，并改善小候选集的可靠性；摘要未提供具体数值。作者还报告增益可迁移至多个 EEG 编码器，支持其作为编码器无关校准层的潜力，但编码器名单与各自效果尚未验证。 复现时应重点核对强化基线与 SATTC 各组件的贡献、测试被试白化所需样本及估计范围、候选集合构成，以及无标签结构统计的计算和参数选择流程。这些因素决定方法的适用条件，不能仅由“无标签”推断其支持逐样本在线使用。实验协议细节、消融及统计信息尚未验证。