攻击增强的混合对比式骨架表征学习

基于摘要分析。该研究面向无监督动作识别中的骨架表征学习，提出 Attack-Augmented Mixing-Contrastive Skeletal Representation Learning（A2MC），通过攻击驱动增强与正负特征混合构造困难样本，改善对比学习。其主要研究对象是人体骨架动作数据，而非 EEG 或 BCI。 作者认为，依赖随机骨架外观变化的增强方式只能间接引入语义变化，还可能模糊正负样本边界。A2MC 的 Attack-Augmentation（Att-Aug）模块结合有目标的攻击式扰动与无目标的增强式扰动，生成信息量更高的困难正样本；Positive-Negative Mixer（PNM）混合困难正样本与负样本的特征，合成困难负样本，并据此更新混合记忆库。其可核对的机制重点是主动构造困难样本，而不只是增加随机增强强度。 作者报告，在三个公共基准上的评估中，A2MC 的表现与现有最先进方法相当或更好。摘要未提供基准名称、具体指标、数值、数据划分和对照配置，因而无法判断优势幅度及跨协议稳定性。攻击目标、扰动约束、特征混合规则、记忆库更新细节，以及实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，将“受约束困难正样本＋混合困难负样本”用于 EEG 自监督表征学习，以应对增强难度与语义保持之间的矛盾。原方法依赖骨架样本的正负配对、特征空间及记忆库；迁移时需重设 EEG 的扰动约束、配对规则与混合策略。低信噪比、跨被试和通道差异可能使攻击放大伪迹，或使混合负样本实际属于同类，小数据也可能降低记忆库的代表性。一个可证伪的小实验是在固定编码器、训练数据和跨被试划分下，对比常规增强与加入上述机制的线性评估结果，并在预训练后用标签核查困难样本的语义一致性。已有 EEG 相关工作尚未检索确认。