面向 CAD 的自监督表征学习

基于摘要分析。该研究面向计算机辅助设计（CAD）中的参数化边界表示（B-Rep），研究如何利用大量无标签 CAD 几何数据，缓解监督学习任务中标注数据规模小、任务专用标签昂贵的问题。核心贡献是学习一种混合隐式/显式的表面表征，并通过预训练支持下游监督学习。 技术上，研究对象是 CAD 原生格式的 B-Rep 几何，而非神经信号或 BCI。摘要将隐式与显式表面表示的结合列为方法特点，但未说明两类表示如何融合、自监督目标如何构造，以及预训练与下游任务的衔接方式；网络结构、损失形式和训练配置尚未验证。该方法依赖可用于预训练的无标签 CAD 几何数据，其数据结构与 EEG 时序信号存在明显差异。 作者报告，该预训练显著改善少样本学习性能，并在若干现有 B-Rep 基准上取得最先进性能。摘要未提供基准名称、任务类型、数据划分、标注预算、对照方法或具体指标，因此尚不能核对提升幅度，也不能判断不同评估协议下的可比性。实验协议、消融及统计信息尚未验证。 对 BCI 而言，目前材料仅支持关注“利用无标签数据改善少样本监督学习”这一研究方向，尚不足以建立混合表面表征与 EEG 瓶颈之间的具体机制对应关系，不据此推断 EEG 效果或提出复现实验方案。已有 EEG 相关工作尚未检索确认；原方法复现所需的数据处理、实现与预训练配置也需查阅全文后核对。