SATOR：通过样本自适应 token 路由实现无需反向传播的 3D 测试时自适应

基于摘要分析。该研究针对 3D 点云在分布偏移下的测试时自适应，提出无需源数据、无需反向传播的 SATOR（Sample-Adaptive TOken Routing）。其主要贡献是直接根据单个测试样本确定 token 划分阈值与预测路由，替代既有 token 清除方法对预设裁剪规模候选的搜索。 机制上，SATOR 从互补的注意力关系图与几何关系图计算 token 异常分数，再依据 Otsu 可分性准则，将 token 自适应划分为保留组与裁剪组，无需逐一评估候选规模。预测路由使用保留比例进行校准：仅当裁剪后预测的熵经保留比例惩罚后低于原始预测熵时，才选用裁剪后预测。具体评分公式、惩罚形式及前向计算次数尚未验证，不能将无需反向传播等同于无需额外推理开销。 作者报告，在 ModelNet40-C、ScanObjectNN-C 和 ShapeNet-C 三个 3D 腐蚀基准上，SATOR 达到最先进的 Accuracy。摘要未提供具体分数、对照方法、腐蚀强度或聚合协议，因而尚不能量化优势与计算成本；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可检验的迁移假设是，若 EEG 模型中的 token 异常能由注意力关系与通道空间关系共同识别，样本自适应裁剪及预测路由可能缓解局部通道污染。但原方法依赖点云 token 与几何关系，迁移时需重新定义 EEG 的时间或通道 token、关系图及异常分数；低信噪比可能使有效神经活动被误删，跨被试差异、通道布局变化及小数据条件也可能破坏熵与可靠性的对应关系。可先在固定预训练 EEG 模型和预设通道污染测试集上，对照原始预测、固定比例裁剪与自适应裁剪路由，比较同一划分下的 Accuracy、推理成本及干净数据性能变化。相关 EEG 工作尚未检索确认。