可微任务图学习：第一视角视频中的程序性活动表示与在线错误检测

基于摘要分析。本文研究第一视角视频中的程序性活动表示与在线错误检测，提出通过直接最大似然优化任务图边权，从观察到的动作序列中学习关键步骤之间的偏序关系，以替代依赖手工设计流程的任务图提取方法。 核心机制是将任务图学习变为可进行梯度优化的过程，使其能够接入神经网络架构。作者还提出基于关键步骤文本或视频嵌入预测任务图的特征方法，并报告其呈现出视频理解能力；摘要未说明这一能力的具体评估方式，也未给出边权参数化、似然定义及训练细节。 作者报告，在 CaptainCook4D 的动作序列任务图预测实验中，相比既有方法提升 +16.7%；在程序性第一视角视频的在线错误检测中，学习得到的任务图在 Assembly101-O 和 EPIC-Tent-O 上分别带来 +19.8% 和 +7.5% 的增益。摘要未明确这些增益对应的指标、相对提升或百分点口径、数据划分及具体对照，因此不能据此比较不同数据集上的效果。实验协议、消融及统计信息尚未验证。摘要提供了实验复现代码地址，但代码内容与运行条件尚未核验。 平台推测（待验证）：若 EEG 辅助的多步骤操作任务具有明确步骤标注和重复流程，可假设将可微任务图作为上层顺序约束，辅助检测步骤遗漏或次序错误；可复用的是图学习机制，而非直接复用视频特征。原方法依赖动作序列或关键步骤嵌入，迁移时需改造 EEG 到步骤表征的接口；低信噪比、跨被试差异、通道变化及小数据可能使步骤识别误差进一步传入图结构。一个可证伪的小实验是在固定 EEG 步骤识别器和相同划分下，比较无图约束、手工任务图与学习任务图的在线错误检测表现。此为迁移假设，并非本文验证的 BCI 结果；已有 EEG 相关工作尚未检索确认。