LOCAL：面向配对图像的潜在正交归一对比学习

基于摘要分析。该研究面向灾前与灾后卫星图像等比较性配对输入的分类问题，提出 Latent Orthonormal Contrastive Learning（LOCAL），旨在同时提取输入间的共有模式与成对差异，并缓解 Supervised Contrastive Learning（SCL）对类别平衡和大批量负采样的依赖。 核心机制是以正交归一方式优化类别表征，使不同类别对应嵌入空间中各自独特、相互正交的平面，并通过 feature correlation module 提取配对输入之间更具判别性的信息。摘要未披露该模块的具体运算、正交约束的实现方式或损失函数，不能据此判断其与其他类别几何约束方法的实质差异。 作者报告，LOCAL 在配对图像实验中优于 SCL，能够适应较小批量，并声称其对类别规模不平衡的有效性具有理论保证。不过，摘要未提供数据集名称、数据划分、批量大小、评价指标或提升幅度；理论结论的前提、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务具有明确的配对结构，例如同一被试的参考状态与任务状态，LOCAL 的配对特征关联和类别几何约束可能为小批量、类别不平衡下的表征学习提供可检验思路。原方法依赖类别监督与配对输入，迁移时需改造图像编码模块，并明确 EEG 配对规则；低信噪比、通道差异及跨被试变化可能使配对差异主要反映噪声而非任务信息，正交类别假设也未必适合连续或重叠的脑状态。可在固定被试内划分与同一编码器下，对照 SCL 和 LOCAL，分别改变批量大小与训练集类别比例，检验其增益是否稳定。该假设不构成已验证的 EEG/BCI 效果，已有相关工作尚未检索确认。