PRiSE-EEG：采用深度分层专家的先验引导基础模型，用于跨范式 EEG 表征学习

基于摘要分析。该研究针对不同 EEG 范式之间的优化冲突与表征共享差异，提出先验引导的 EEG 基础模型 PRiSE-EEG，通过 CKA 校准的深度分层专家配置，在浅层保留共享表征、在深层增加专用处理能力，以支持跨范式 EEG 表征学习。 机制依据：作者对 dense EEG Transformers 开展两类分析。在六个下游数据集上的梯度相似性分析中，作者报告不同 EEG 范式之间存在明显优化冲突；对混合范式批次的 CKA 分析则显示，浅层具有较强跨范式相似性，深层表征逐渐专门化。这些发现用于指导专家配置，而非在所有层采用统一适配方式。 模型设计：PRiSE-EEG 结合弱静态皮层与网络先验，以及动态短时通道交互，构建连续多通道 EEG patches；再通过对逐层 CKA 共享程度的 sigmoid 映射，在 MoE Transformer 各模块中配置共享与专用专家。摘要未说明先验的具体构建方式、通道交互计算、专家路由、损失函数或预训练设置，相关实现细节尚未验证。 结果与对照：作者报告模型在 12 个公开 EEG benchmarks 上表现较强，并报告简要消融中，CKA 驱动的专家配置优于 dense Transformers、uniform MoE 及人工固定的共享—专用专家比例。摘要未提供 benchmark 名称、任务组成、指标数值、被试与数据划分，也未明确这些比较采用何种下游微调或联合训练协议，因此不能量化收益，或据此确认跨被试、跨会话、跨数据集泛化能力。 复现重点：材料提供匿名代码仓库，但其内容与可运行性尚未验证。阅读全文时应核对 CKA 校准所用数据、专家总容量与计算预算是否匹配、下游适配协议，以及先验模块和专家分配各自的贡献；实验协议、消融及统计信息尚未验证。