PLReMix：利用伪标签松弛对比表征学习应对噪声标签

基于摘要分析。该研究面向噪声标签学习（LNL），关注将对比表征学习（CRL）从预训练环节直接并入端到端训练后出现的性能退化，提出 PLReMix，通过伪标签松弛（Pseudo-Label Relaxed，PLR）对比损失缓解损失之间的优化冲突。 核心机制是为每个样本过滤不适当的负样本对，构建更可靠的负样本集合，减少对比学习目标与 LNL 目标之间的冲突。框架还使用二维 Gaussian Mixture Model，同时利用语义信息与模型输出区分干净样本和噪声样本。摘要未给出伪标签生成规则、负样本过滤判据、混合模型输入的具体定义及训练调度，这些实现细节尚未验证。 作者报告，直接组合 CRL 损失与 LNL 方法时出现明显性能退化，并通过实验将其归因于损失优化冲突；作者还报告，将可插拔的 PLR 损失集成到其他 LNL 方法后观察到性能改善，并在多个基准数据集上验证了方法有效性。摘要未提供数据集名称、噪声类型与比例、数据划分、对照方法或具体指标，实验协议、消融及统计信息尚未验证。材料提供了代码地址，但代码内容及复现条件尚未核验。 平台推测（待验证）：若 EEG 分类训练集存在标签噪声，且伪标签具有一定可靠性，PLR 的负样本过滤机制可能减少语义相近试次被错误推远的问题；这是迁移假设，不是已证实的 EEG/BCI 效果。可复用部分是负样本筛选与样本噪声建模，需改造 EEG 编码器、数据增强和语义特征提取。低信噪比、跨被试分布差异、通道配置变化及小样本条件可能使伪标签与噪声判别同时失准。一个可证伪的小实验是在固定被试内划分和相同编码器下，仅对训练标签注入已知比例噪声，对照 LNL 基线、直接加入 CRL 与加入 PLR 的分类指标及负样本误筛情况。已有 EEG 相关工作尚未检索确认。