视频理解中的人脑：动态专家模型混合体

基于摘要分析。本文研究短自然视频观看过程中，哪些深度视频模型表征能与动态 EEG 响应对齐，以及这种对应关系如何随时间和电极位置变化。核心贡献是提出 Cross-Temporal Representational Similarity Analysis（CT-RSA），并系统比较不同时间整合能力、分类任务、架构和预训练方式的视频模型。 方法上，CT-RSA 将按时间展开的模型特征与动态演变的脑响应进行最佳匹配。作者报告，在短自然视频 EEG 记录上分析了 100 多个模型，汇总约 10^7 个对齐分数；这些数字描述模型比较与对齐分析的规模，不是解码 Accuracy 或独立样本量。具体相似性计算、时间匹配约束、数据划分及模型选择协议尚未验证。 作者报告，初始响应与层级化静态物体处理对齐后，后部电极响应更符合具有时间整合能力的中层动作特征，且与特征出现时间具有较高对应性；额部电极响应则更符合高层静态动作表征，但未呈现与视频的时间对应关系。作者还报告，具有时间整合能力的 state-space models 与中间阶段的后部活动对齐更好，自监督预训练在这一对齐情境下也有益。摘要未提供效应量、对照差值或统计不确定性。 作者以“动态专家模型混合体”比喻不同时刻脑响应对任务表征与时间整合能力的偏好变化，并提出单一模型可能需要组合和动态切换这些能力。这是对表征对齐结果的解释与建模假设，并非证明人脑实现了机器学习中的混合专家路由机制。研究主要面向视觉神经表征理解，不是 BCI 解码系统验证。 复现时需核对 EEG 数据集、被试与刺激规模、预处理、特征提取及时间分辨率，尤其是最佳时间匹配的选择与评估如何分离。全文、代码与数据可用性、消融及统计信息尚未验证；头皮电极位置的差异也不宜直接等同于特定脑区机制。