NeuroClaim：面向风险受控 EEG 到图像检索的证据式视觉表征学习

基于摘要分析。NeuroClaim 研究噪声 EEG 条件下的视觉图像检索，针对直接 EEG–图像嵌入对齐难以解释、预测可靠性难以控制的问题，在 EEG 与候选图像之间引入结构化的视觉主张表征，将检索依据显式分解为类别、属性和结构线索。 核心机制是从经过时间编码的 EEG 证据中，逐项预测视觉主张的信念及不确定性，再通过选择性证据瓶颈抑制不可靠主张，仅保留得到神经证据支持的部分。随后，模型依据推断出的主张集合，对候选图像进行不确定性感知匹配。相较于直接进行黑箱潜在表征匹配，该方法的主要研究贡献在于把语义解释与证据筛选纳入检索流程，而非仅输出相似度或重建图像。 作者报告在两个公开 EEG 到图像数据集上进行了评估，并认为该框架提供了有效的视觉脑解码范式；但摘要未给出数据集名称、被试规模、被试内或跨被试协议、候选图像集合构成、对照基线及具体指标，因此目前不能判断性能提升幅度，也不能将不同检索设置直接比较。 阅读全文时需重点核对：视觉主张如何定义及获得监督，信念与不确定性的建模和校准方式，选择性证据瓶颈的训练目标，以及“风险受控”具体指何种错误风险、控制规则或保证。还需检查抑制不可靠主张后，检索覆盖率与准确性的权衡，以及语义解释是否确由 EEG 证据支持。模型结构、实验协议、消融及统计信息尚未验证，代码与复现条件亦尚未验证。