学习可解释表征以实现语义忠实的 EEG-to-text 生成

基于摘要分析。该研究针对 EEG-to-text 生成中的可靠性问题：生成文本究竟反映了脑活动中的语义信息，还是主要来自预训练生成模型的幻觉。作者从后验坍塌的角度分析这一问题，提出 Generative Language Inspection Model（GLIM），并将解码目标由逐字重建刺激文本改为概括核心语义。 方法的主要出发点是 EEG 与文本之间的信息容量不匹配。GLIM 强调在异质、小规模数据条件下学习具有信息量且可解释的 EEG 表征，以增强生成文本的语义依据。摘要未提供后验坍塌的具体诊断方式、表征可解释性的定义、模型结构、损失形式或训练流程，因此尚不能判断其如何约束生成模型对 EEG 信息的依赖。 作者报告，在公开 ZuCo 数据集上，GLIM 能在不使用 teacher forcing 的条件下持续生成流畅、以 EEG 为依据的句子。摘要未给出定量指标、对照方法或被试内、跨被试、跨会话等划分背景，故不能据此确定提升幅度及泛化范围；不使用 teacher forcing 本身也不足以证明生成内容具有语义忠实性。 评估贡献是超越文本相似度，加入 EEG-text 检索，以及覆盖情感类别、关系类型和语料主题的零样本语义分类。这些任务为核对 EEG 表征是否保留可辨识语义提供了补充视角，但检索候选构成、零样本定义、训练测试隔离和生成输出与这些评估之间的关系尚需核对。 复现时应重点核对 EEG 预处理、文本与 EEG 的配对方式、划分协议、生成模型配置，以及用于检验 EEG 依赖性的对照。实验协议、消融及统计信息尚未验证，代码和复现资源也尚未验证。