CIIR：类别索引式接口表征学习

基于摘要分析。该研究面向独立采集的异质数据集缺少配对或同步观测的问题，提出模块化编码器—解码器框架 CIIR，通过类别索引式地址空间连接不同数据集，同时保留各数据集原生输入格式与输出模块。其主要贡献是用共享地址接口支持跨数据集通信，以及冻结基础地址空间后的新数据集接入。 机制上，已知的局部索引选择地址 k，输入相关的 128 维地址表征 Z_k(x) 被写入该地址。作者使用手写数字、服装图像、语音数字频谱图与手势数据学习地址空间，不要求同步或实例级匹配样本；但这种设置不等同于完全无监督，局部索引的来源及跨数据集地址语义的确定方式仍需正文核对。 作者报告，新训练的无标签接收器恢复指定地址时，宏平均 Address Realization Accuracy 为 94.7%。冻结基础地址空间后，接入此前未见的 SVHN，仅训练轻量适配器，在不使用目标侧解码器标签的设置下，MNIST→SVHN 与 SVHN→MNIST 的端到端 Address Transfer Accuracy 分别为 90.2% 和 82.3%。这两类指标衡量的对象不同，不应混同为常规分类 Accuracy。作者还将十个地址复用为无碰撞算术编码及覆盖全部 100 个 CIFAR-100 类别的层级地址编码，并通过已有接收器评估直接算术编码实现；摘要未给出该部分数值。 复现需核对地址构建、接收器与适配器的训练监督、数据划分、对照及指标定义；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：类别索引接口可能用于任务类别可对齐、但无实例配对的 EEG 跨被试或跨数据集通信。可复用共享地址与冻结后接入机制，但需改造 EEG 编码器并明确类别映射；低信噪比、通道差异、小样本及被试差异可能破坏地址稳定性。可在类别一致的两个 MI 数据集上学习并冻结源地址空间，仅以目标训练集训练适配器，与相同监督预算的直接分类及无共享地址基线比较，使用独立目标测试集检验收益。已有 EEG 相关工作尚未检索确认。