Neural Evidence Transport：跨语音分词器复用脑信号解码器

不同 speech tokenizers 为同一音频定义不同词表，使在源词表上训练的脑信号解码器无法直接服务目标词表。本文提出 Neural Evidence Transport，通过普通音频估计的软桥接，将参与者已有解码器的证据迁移至冻结的目标模型，无需额外拟合该参与者的目标词表脑信号解码器。基于摘要分析，未取得论文全文。 核心机制是先将源 token 概率除以参考 token 频率，再通过软桥接对所得比值加权平均，传递相对于基线的支持程度，避免更新目标先验时重复计入频率权重。作者报告证明了该迁移保持中性证据，并推导了 chi-square contrast 损失的精确恒等式。融合权重依赖可用的目标 token 上下文，在开发参与者上选择，并在确认评估中保持固定；具体上下文范围、桥接估计流程和先验构造尚未验证。 作者报告，在 LibriBrain100 的 11 名留出参与者 MEG 数据上，HuBERT–Wav2Vec2 两个迁移方向的目标 token 负对数似然均优于目标先验及单一权重融合。以 Wav2Vec2 为目标时，该方法优于匹配的目标空间解码器；以 HuBERT 为目标时，保留了 Ridge 相对先验改进幅度的 97%。这些结果涉及不同目标词表，不能据此直接比较两个方向的绝对性能。 在独立 EEG 研究的 14 名留出参与者上，作者报告使用 12 秒观测获得 60.6% 的 attended-speaker Accuracy，95% 置信区间为 56.4–65.6%，并保留目标空间 Ridge 相对机会水平增益的 81%；后者是相对增益比例，不是 Accuracy。作者报告，时间控制和源标签控制将收益与时间对齐的神经观测及词表对应关系联系起来。 阅读与复现重点是区分“无需新增参与者特异的目标空间拟合”与“无需参与者训练”：方法仍复用参与者已有的源解码器。需进一步核对源解码器训练、开发与留出参与者划分、音频桥接数据来源、融合上下文、匹配基线和控制实验的具体设置。实验协议、消融及统计信息尚未验证，代码与复现资源亦未由所给材料确认。