利用迁移学习评估认知任务的结构

基于摘要分析。该研究针对 EEG 标注数据有限、可迁移的源任务与数据域难以预先确定的问题，系统考察不同 EEG 解码任务之间深度学习表征的可迁移性，并以任务间迁移图探索认知任务的结构关系。 研究使用 ERP Core 和 M3CV 两个 EEG 数据集，合计涉及超过 140 名被试和 11 种不同认知任务。其核心流程是在一个任务上预训练深度神经网络，再评估所得表征对后续目标任务解码的帮助。摘要提到使用先进的解码模型，并包含 linear probing 迁移评估，但未提供具体模型名称、预训练目标、目标任务标签用量及参数更新细节。 作者报告，相较于纯监督学习，即使采用 linear probing 迁移也能显著改善解码表现，最高增益达 28%。摘要未说明该数值对应的指标、相对增幅或百分点口径，也未交代取得该收益的源任务—目标任务组合及数据划分，因此不能将其解释为普遍收益，或直接用于被试内、跨被试等不同协议之间的比较。 作者还报告，不同解码范式呈现不同迁移模式：部分范式对应较特定、较窄的脑活动，另一些则可受益于更广泛的预训练表征。迁移图因而既可辅助源任务选择，也被作者用于讨论认知任务之间的层级关系；不过，迁移性能体现的关系不能直接等同于已确证的神经认知层级。 复现时需核对数据划分及被试重叠情况、预处理流程、纯监督基线与迁移设置的训练预算、目标任务标注量，以及迁移图的构建方式。实验协议、消融及统计信息尚未验证。