APR：非对称投影器正则化改善EEG-to-Vision对比学习

基于摘要分析。该研究针对EEG与视觉表征对齐在200-way零样本识别中的性能瓶颈，提出APR（Asymmetric Projector Regularization），以双塔投影器的非对称容量约束改善跨模态泛化。其核心贡献是简化EEG侧投影器，同时保留图像侧可学习的几何对齐能力，而非同时压缩两侧容量。 方法建立在NICE-style对比训练与冻结的CLIP视觉编码器之上：EEG分支使用单个线性投影头并进行ℓ2归一化；图像分支保留小型可学习投影器，可采用线性层或两层MLP。摘要将这种结构配置称为正则化策略，尚不能据此判断是否另有显式正则化损失；EEG编码器结构、具体对比损失和训练细节尚未验证。 作者报告，在200-way零样本评估中，Top-1 Accuracy由13.8%提升至30.45%，并在Top-5、Top-10、平均排名（mRank）与平均倒数排名（MRR）上同步改善，但摘要未给出这些指标的具体数值。作者报告的消融表明，简化EEG侧投影器有利于泛化，而过度简化图像侧投影器会明显降低性能。作者还报告方法在不同被试、时间窗、温度和批大小设置下具有稳健性，但这不足以确定其采用了何种跨被试评估协议。 复现时应重点核对数据集、被试数量、训练与测试类别划分、基线是否使用相同编码器及训练预算，以及投影器容量消融的统计稳定性。上述实验协议、消融细节及统计信息尚未验证。摘要提供了匿名代码地址，但代码可访问性、版本与实验配置尚未核验。该工作直接研究EEG-to-Vision对齐，其结果不应未经验证推广到其他BCI任务。