ContrastCAD：基于对比学习的计算机辅助设计模型表征学习

基于摘要分析。该研究面向计算机辅助设计（CAD）模型的构造序列表征学习，试图解决复杂形状对应长序列、同一模型可由不同构造序列表达的问题。作者提出 ContrastCAD，通过对比学习捕捉构造序列中的语义信息，并提出 Random Replace and Extrude（RRE）数据增强方法，以改善训练数据不平衡时的学习表现。 机制上，ContrastCAD 使用 dropout 生成增强视图，而不改变 CAD 模型的形状；RRE 则是另一项面向 CAD 数据的增强方法。摘要未给出 dropout 的具体施加位置、对比损失形式、正负样本构造或 RRE 的详细操作，不能据方法名称补全实现。 作者报告，在 CAD 构造序列学习实验中，RRE 改善了 Transformer-based autoencoders 的学习表现，包括具有很长构造序列的复杂 CAD 模型；作者还报告 ContrastCAD 对构造序列的排列变化具有鲁棒性，并使相似 CAD 模型在表征空间中更紧密聚集。摘要未提供数据集名称、划分方式、对照配置或定量指标，实验协议、消融及统计信息尚未验证。作者提供了代码链接，但实现与复现条件尚未核查。 平台推测（待验证）：可迁移的假设是，若 EEG 编码器中的 dropout 能保留任务相关信息，基于同一输入构造对比视图可能减轻对局部特征的依赖；但 CAD 构造序列的语义等价不等同于 EEG 时间序列的等价，不能直接套用序列排列鲁棒性或 RRE。可复用的是对比视图构造思路，需改造 EEG 编码器及语义保持约束。低信噪比、通道差异与小样本条件下，dropout 也可能破坏微弱的判别信息。一个可证伪的小实验是在固定跨被试划分及相同编码器下，比较有无 dropout 对比目标的表现，并核对不同扰动强度是否损害任务识别。已有 EEG 相关工作尚未检索确认。