Wills Aligner：一种鲁棒的多被试脑表征学习器

基于摘要分析。该研究面向从人类脑活动中解码视觉信息的问题，提出 Wills Aligner，以缓解被试间皮层分区及认知模式差异导致的逐被试建模需求，通过单一模型学习多被试脑表征。 机制上，方法先在解剖层面对齐不同被试的大脑，再引入脑专家混合机制（mixture of brain experts）学习个体认知模式。作者将多被试学习拆分为两阶段训练，使深度模型与插件网络分别学习被试间共性知识和不同认知模式。摘要未说明具体脑信号模态、解剖对齐算法、专家路由方式、损失函数或插件结构，相关实现尚未验证。 作者报告，在粗粒度与细粒度视觉解码任务中，Wills Aligner 达到最先进表现；但摘要未提供数据集、被试数量、评价指标、对照基线及划分协议。因此，尚不能判断结果对应已见被试的联合学习，还是对未见被试的泛化，也不能量化其优势。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可供 EEG 研究检验的假设，是将跨被试共享表征与个体差异建模分离，可能有助于处理跨被试分布差异；但原方法依赖的解剖对应关系、监督信息与数据规模尚不明确。若迁移至 EEG，共享模型与个体专家的分工可作为候选机制，输入表示、通道或空间对齐及专家分配则需适配；低信噪比、通道配置差异和小样本可能导致专家过拟合或分配不稳定。一个可检验的小实验是在同一 EEG 任务和固定跨被试划分下，对比共享模型与加入个体专家的模型，并严格限定目标被试可用数据，检验增益能否在未见被试上保留。这不构成已验证的 EEG/BCI 效果，相关 EEG 工作尚未检索确认。