ContrastCAD：基于对比学习的计算机辅助设计模型表征学习

基于摘要分析。本文研究 CAD 模型的构造序列表征：复杂形状可能需要很长的构造序列，而同一 CAD 模型又可能对应不同序列。作者提出 ContrastCAD，通过对比学习捕获构造序列中的语义信息，并提出 Random Replace and Extrude（RRE）数据增强方法，以改善不平衡 CAD 训练数据下的学习表现。 机制上，ContrastCAD 使用 dropout 生成增强视图，作者称该过程不改变 CAD 模型形状；RRE 则是另一项面向 CAD 数据的增强方法。摘要未展开 dropout 的具体施加位置、对比损失形式、正负样本构造，以及 RRE 的操作细节，不能将两种增强机制混为一谈。 作者报告，在所研究的 CAD 实验中，RRE 能改善 Transformer-based autoencoders 的学习表现，包括构造序列很长的复杂模型；作者还报告 ContrastCAD 对构造序列的排列变化具有鲁棒性，并使相似 CAD 模型在表征空间中更紧密聚集。摘要未提供数据集名称、划分、评价指标、具体数值或统计检验，实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但实现与复现条件尚未核对。 平台推测（待验证）：可供 EEG 研究借鉴的是利用 dropout 构造对比视图的思路，而非 CAD 构造操作本身。其迁移假设是：在保留任务相关信息的前提下，表征扰动可帮助学习稳定特征；需改造输入编码与增强约束，RRE 不能直接照搬。尤其不能把 CAD 构造序列的排列鲁棒性等同于 EEG 时间或通道顺序不变性，低信噪比及小数据条件下的扰动还可能破坏判别信息。一个可检验的小实验是在固定 EEG 数据划分和相同编码器下，对照无对比目标与 dropout 双视图对比目标，检查下游任务表现是否改善。相关 EEG 工作尚未检索确认。