GACE：EEG 基础模型的引导、评估与纠正

基于摘要分析。该研究关注 EEG 基础模型（EFMs）的内部知识能否用于判断预测可靠性，并纠正高风险预测，提出无需修改 EFM 骨干的即插即用框架 GACE，将内部决策信息转化为自引导、自评估与自纠正信号。 核心机制：作者认为，大规模 EEG 预训练形成的可迁移时空表征与任务相关先验，不仅体现在最终 Decision Result，也体现在 Decision Evidence、Decision Trajectory 及训练时的 Decision Dynamics 中。GACE 利用 Decision Dynamics 引导微调，围绕 Decision Result 与 Decision Evidence 建模可靠性，再结合 Decision Trajectory 纠正高风险预测。作者提出，即便样本被误分类，其内部决策结构仍可能保留支持正确类别的潜在线索。 方法价值在于将内部决策信息分别用于训练阶段的引导和预测阶段的评估、纠正，而不是仅依赖最终分类结果。摘要未说明上述信号的具体定义与提取方式、可靠性建模目标、高风险判定阈值或纠正规则；“无需修改骨干”也不足以确定是否需要额外训练模块、标签监督或额外推理开销，这些复现条件尚未验证。 作者报告该框架可改善决策可靠性，但摘要未提供所用 EFM、数据集、任务、被试数、被试内或跨被试等评估协议、对照基线及量化指标，因此不能据此判断 Accuracy、校准质量或错误纠正收益。阅读全文时需核对：内部信号对正确与错误预测的区分能力，纠正错误预测与误改正确预测之间的权衡，以及各类决策信息的独立贡献。实验协议、消融及统计信息尚未验证。