用语言教导神经解码器

基于摘要分析。该研究针对类别标签监督（CLS）未显式表达类别间关系的问题，提出 Language as Supervision（LaS）：通过学习到的投影，将神经特征与自然语言类别描述对齐，并利用候选文本原型预测类别。其主要贡献是将语言描述用作神经解码的监督参照，同时支持对类别匹配结果的解释。 作者在头皮及颅内记录的视觉、运动和言语解码任务中，评估了七种编码器架构，并分别训练模型；这不等同于一个统一模型已实现跨任务或跨记录模态泛化。摘要未提供具体对齐损失、文本编码方式、投影结构及训练数据规模。 作者报告，相对于匹配的 CLS 基线，LaS 在言语解码中的 Accuracy 最高提高 17.15 个百分点；摘要未说明该最大增益对应的数据集、划分协议、编码器及基线绝对分数，因此不能视为所有任务的平均收益。作者还报告，其表征支持候选集复用，以及使用标签监督的被试与会话适应；这些结果不应解读为无监督或零样本适应。LaS 还支持 SSVEP 响应的有条件未见频率解码，但具体条件与未见频率划分尚未验证。 作者报告，正确的类别—描述对应关系有助于上述泛化，双侧归因可视化则展示神经信号与文本对同一类别匹配分数的贡献。复现时需重点核对文本描述的构造、候选集设置、适应阶段的标签使用及未见频率解码条件。数据集、被试数、实验协议、消融及统计信息尚未验证，归因可视化也不宜直接视为因果机制证据。