模型能从任意类别对中学习吗？

基于摘要分析。本文研究视觉表征学习中的一个问题：能否在没有显式属性标注或指导的情况下，将任意类别对、包括不同类别的样本用作对比学习正样本，同时保留类别判别能力？作者提出 SimLAP（Simple framework for Representation Learning from Arbitrary Pairs），用类别对条件化的特征门控，在对应子空间中学习跨类别共享特征。 其核心机制是由任意类别对控制一个共享特征门，对特征坐标进行加权、激活或关闭，使对比损失在该类别对对应的特征维度上施加相似性约束。正样本来自批次内随机伙伴样本的另一视图，因此既可能同类，也可能异类。与仅在全局嵌入上拉近同类、推远异类的原则相比，该方法尝试将“共享属性相似”与“整体类别相同”区分开来；具体损失形式、门控参数化及训练细节尚未验证。 作者报告，在使用相同训练配方的对照中，SimLAP 与 SupCon 的 ImageNet linear probe 得分分别为 75.8 和 76.1，CIFAR-100 kNN 得分分别为 76.3 和 72.1。摘要未明确这些得分的指标定义及完整评估协议，因此不进一步改写为 Accuracy。作者还报告，去掉门控后，使用异类及任意正样本的训练会发生坍塌，并指出任意类别对的价值依赖数据集的语义结构。实验划分、消融范围及统计信息尚未验证。 平台推测（待验证）：该机制或可用于检验 EEG 中不同任务类别是否具有可共享的局部表征，但这是假设，不是本文已验证的贡献。可复用部分是类别对条件化门控，需重新设计 EEG 编码器、视图增强及正样本构造；其训练依赖类别信息与批内配对，不宜直接视作无标签自监督方案。低信噪比、被试差异及小数据可能使门控捕获伪相关。一个小规模检验是在固定 EEG 数据划分下，比较 SupCon、无门控任意配对与 SimLAP 式门控配对，观察分类表现及表征是否坍塌；已有 EEG 相关工作尚未检索确认。