用于跨被试 EEG-to-image 检索的结构化视觉目标学习

基于摘要分析。该研究针对跨被试 EEG-to-image 检索中源被试训练得到的 EEG 表征难以与未见被试的视觉嵌入空间保持对齐的问题，从视觉目标端提出结构化目标学习，并结合部署阶段无需训练的表征细化。 方法保留 Perception Encoder 的空间信息，将其 patch 网格转换为一组紧凑的可学习视觉视图，再通过具有块结构、依赖内容的路由器，为每张图像聚合视觉目标。视觉目标与 EEG 编码器通过对比学习联合优化，同时使用 MMD 正则化约束源被试之间的差异。相较主要调整 EEG 端的方法，其研究重点是视觉目标的构造及其与 EEG 表征的共同学习；路由器具体结构、MMD 的施加位置及损失权重尚未验证。 作者报告，在 THINGS-EEG2 的留一被试评估中，结构化目标方法的 Top-1/Top-5 Accuracy 为 35.3%/65.6%，优于所比较的方法。部署阶段的表征细化在不更新任一编码器的条件下对齐冻结嵌入，作者报告细化后达到 48.1%/77.1%，且全部十名留出被试均有改善。摘要另称，相对最强对照方法的 Top-1 增益为 18.5%，但未明确该数值指相对百分比还是百分点，不宜直接换算。 复现与解释结果时，需要核对检索候选集规模、图像及试次划分、对照方法设置，以及表征细化在部署时使用哪些数据、是否需要批量目标被试样本。摘要不足以判断其是否适用于逐试次在线检索，也不能据此认定表征细化等同于参数更新式测试时自适应。实验协议、消融及统计信息尚未验证。