Expert-LaSTS：专家知识引导的交通场景潜在空间

基于摘要分析。Expert-LaSTS 面向自动驾驶场景测试中的交通场景聚类与新场景类型检测，通过专家知识辅助的表示学习构建潜在空间，使场景表示服务于这两类任务；研究对象并非 EEG 或 BCI。 其核心思路是先用专家知识定义潜在表示应满足的目标，再据此设计网络架构与损失，将领域知识引入表示学习。论文还提出交通场景的自动挖掘策略，摘要称无需人工标注，但专家知识的具体形式、挖掘对象与规则、输入数据结构及损失表达式尚未验证；不能将无需人工标注等同于不依赖领域先验。 作者报告，该方法在交通场景聚类和新场景类型检测上较基线具有性能优势，并对潜在空间进行了广泛分析。摘要未提供数据集、划分、基线名称或量化指标，实验协议、消融及统计信息尚未验证，因而无法判断优势大小及适用边界。 平台推测（待验证）：其可迁移的机制是把领域先验转为表示约束，而非直接复用交通场景模型。若 EEG 任务存在可明确表达且能自动挖掘的相似性关系，可假设这一路径有助于组织潜在空间；需重设计 EEG 编码器、先验约束及样本挖掘规则。低信噪比、跨被试差异、通道变化和小数据可能使先验关系失效，或导致表示主要反映被试身份。一个可证伪的小实验是在固定 EEG 数据划分与编码器下，对比加入和不加入预先定义专家约束的表示学习，分别检验任务相关聚类与未见类别检测，并控制被试身份混杂。已有 EEG 相关工作尚未检索确认。