MOCA：通过预测掩码位置的在线码本分配进行自监督表征学习

基于摘要分析。本文研究视觉领域的自监督表征学习，目标是减轻 Vision Transformer 对大规模完整标注数据的依赖。作者提出单阶段、独立的 MOCA 方法，在高层特征而非像素细节上定义掩码预测目标，结合上下文推理能力与对图像扰动的不变性。 机制方面，论文将掩码图像建模与对比式方法分别擅长的表征性质纳入统一训练；标题进一步指出，预测对象为在线码本分配。摘要未展开码本的构建与更新、预测目标生成、损失组合及避免表征退化的具体设计，尚不能据此确定实现细节。 作者报告，MOCA 在低样本设置下达到新的最先进结果，在多种评估协议中取得较强表现，并称训练比先前方法至少快 3 倍。但摘要未给出对应数据集、低样本划分、指标数值、对照方法及速度测量的硬件和计算预算，以上结论需结合正文核对，不能跨协议直接比较。摘要提供了实现代码地址；代码可运行性、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若在线码本能够表示稳定的 EEG 时序结构，高层特征预测与扰动不变性的结合可能有助于缓解标注不足问题，但原论文的视觉结果不构成 BCI 有效性证据。可复用的是训练目标设计思路，需改造输入分块、时间与通道编码，以及保持任务语义的数据增强；低信噪比、被试差异、通道配置变化和小数据可能使码本主要捕获噪声或被试身份。一个可证伪的小实验是在固定 Cross-subject 划分与相同训练预算下，比较仅掩码预测、仅不变性学习及二者结合后的 EEG 下游分类表现，并核对码本稳定性。已有 EEG 相关工作尚未检索确认。