Beatrix：通过不变对比微调实现大型 EEG 模型的分布外泛化

基于摘要分析。该研究针对生理状态、个体差异及实验设置变化导致的 EEG 分布外（OoD）泛化困难，提出谱域 EEG 基础模型 Beatrix，并通过 Contrastive Invariant Fine-Tuning（CIFT，不变对比微调）增强域不变表征学习。 核心机制包括：使用基于解析小波的谱分词表示 EEG 的非平稳动态；在预训练阶段采用半因果生成式建模，学习支持时间域与频率域插值和外推的潜在表征；通过多视图 Transformer 整合谱域、时域及跨通道信息。微调阶段的 CIFT 不依赖显式环境标签，作者将其描述为参数高效的域不变学习方法。摘要未披露具体对比目标、样本配对方式、半因果约束及可训练参数范围，这些实现细节尚未验证。 作者报告，Beatrix 在癫痫发作检测与预测、听觉神经解码、运动想象及睡眠分期等任务中优于现有 EEG 模型，并声称取得领先的 OoD 泛化表现、降低微调成本。但摘要未提供数据集、被试规模、分布外测试的构造方式、数据划分、对照基线、指标或具体数值，因此尚不能判断这些结果对应跨被试、跨会话还是跨数据集泛化，也不能量化其性能与成本收益。 复现时需要核对谱分词和多视图输入的实现、预训练与下游测试数据的关系、CIFT 的损失与训练配置，以及各任务的 OoD 评估协议。尤其需要结合消融结果区分谱表示、生成式预训练和不变微调各自的贡献。实验协议、消融及统计信息尚未验证；目前的摘要支持理解其方法方向，不足以确认作者报告的优势能否迁移至具体 BCI 使用场景。