利用迁移学习评估认知任务的结构

基于摘要分析。研究针对 EEG 解码标注数据有限、可迁移的源任务与目标任务关系不明确的问题，系统评估深度学习表征在不同认知任务之间的迁移能力，并以迁移关系图探索任务间的结构联系。 研究使用 ERP CORE 和 M$^3$CV 两个 EEG 数据集，摘要称其涵盖超过 140 名被试和 11 种不同认知任务。核心流程是在一个任务上预训练深度神经网络，再评估所学表征对后续任务解码的帮助；摘要明确涉及线性探测迁移，但具体模型、预训练目标、表征提取方式及其他迁移设置尚未验证。 作者报告，在其跨任务迁移实验中，即使采用线性探测，相较纯监督学习也可获得最高 28% 的解码性能提升。摘要未说明这一数值对应的指标、相对提升还是百分点变化，以及具体源—目标任务组合；被试内、跨被试、跨会话或跨数据集协议也未明确，因此不能将该结果解释为普遍适用的增益。 作者还报告，部分解码范式对应较特定且狭窄的脑活动，另一些则受益于更广泛的预训练表征，并认为迁移关系图可揭示认知任务间的层级联系。这属于作者对迁移结果的解释，尚不能等同于已确证的神经科学层级结构。复现时应核对源任务与目标任务的划分、被试重叠情况、目标任务标注量、纯监督基线及线性探测的训练设置；实验协议、消融及统计信息尚未验证。