M-JEPA：面向分子图的预测式自监督学习与 Tox21 骨架分布偏移评估

基于摘要分析。该研究面向标签有限的分子性质预测，将 Joint Embedding Predictive Architectures（JEPA）用于分子图表示学习，并在 Tox21 分子骨架分布偏移下同时考察预测区分能力与概率可靠性；其主要研究对象不是 EEG 或 BCI。 方法上，M-JEPA 掩蔽化学上连贯的连通子图，由上下文编码器预测指数移动平均（EMA）教师生成的被掩蔽目标嵌入。作者提出三阶段评估协议：先在固定计算预算下开展 ESOL 上的 80 次目标函数筛选，再仅针对 JEPA 细化掩码与增强选择，最后在 Tox21 上采用 Bemis-Murcko 骨架划分，逐测定任务联合分析区分能力、可靠性及归因诊断。作者将该协议描述为抗泄漏设计，其具体实现仍需全文核对。 作者报告，在 ESOL 代理评估及匹配计算预算的条件下，M-JEPA 与 InfoNCE 基线的平均 RMSE 分别为 2.12 和 3.75，平均配对 dRMSE 为 1.61，95% bootstrap 置信区间为 [1.52, 1.72]，Wilcoxon p=2.4e-4。在相同硬件的单 GPU 条件下，作者报告单次运行通常约需 15–25 分钟，基线约需 35–45 分钟，但 M-JEPA 的运行时间方差更高。Tox21 骨架划分结果中，作者报告 ROC-AUC/PR-AUC 的改善依赖具体测定任务，且并不一致对应更好的校准；可靠性图及 Brier/ECE 显示，部分终点在微调后排序改善，预测概率仍存在失准。 平台推测（待验证）：预测被掩蔽潜在表示的机制可作为 EEG 自监督学习的候选思路，但需将化学连通子图掩码改造为时段或通道掩码；化学结构一致性不能直接等同于 EEG 通道或时序结构。低信噪比、通道配置差异及小数据可能使预测目标保留伪迹或被试特征。可在固定跨被试划分及匹配计算预算下，对比该预测目标与 InfoNCE，同时评估区分能力和概率校准；这仅是假设性检验，已有 EEG 相关工作尚未检索确认。模型细节、预训练数据规模、数据划分实现、消融及统计信息尚未验证。