DR-FER：面部表情识别的判别性与鲁棒性表征学习

基于摘要分析。该研究针对面部表情识别（FER）中表情差异细微、标注具有主观性的问题，提出 DR-FER，在仅使用原始标注监督的条件下，联合学习判别性与鲁棒性表征。原论文研究对象是面部图像及表情标签，不是 EEG 或 BCI。 方法包含三个相互关联的环节：以掩码图像建模（MIM）作为辅助任务，引导网络发现与表情有关的面部区域；通过类别感知的自步学习调度，挖掘高质量标注的 easy 样本与可能错误标注的 hard 样本；再以基于检索相似度的重标注策略修正 hard 样本标签。作者将 FER 分类器判别能力的提升视为连接上述目标的桥梁，主张两类表征可相互增强。摘要未说明具体掩码方式、联合损失、样本筛选规则及重标注阈值。 作者报告，在多个常用基准上的实验支持 DR-FER 的性能优势，并通过可视化及人工破坏标注的数据集实验，支持其同时学习判别性与鲁棒性表征的结论。摘要未给出基准名称、划分、对照方法、指标或数值；实验协议、消融及统计信息尚未验证，不能据此判断收益主要来自哪个模块。 平台推测（待验证）：若 EEG 分类任务存在可识别的标签噪声，该方法将掩码建模与样本筛选、相似度重标注结合的机制可能具有借鉴价值。其依赖带类别标签的训练数据及可靠的表征邻域；迁移时需将图像掩码改为适配 EEG 时间、通道或时频结构的掩码，并重新验证检索距离。低信噪比、跨被试和通道差异可能使邻域更反映个体特征而非任务类别，小数据下重标注还可能强化错误。可在固定被试内划分、仅对训练集注入受控标签噪声的条件下，对比基础分类器、单独掩码建模、单独重标注及联合方法，在干净测试集上评估，并检查标签修正是否准确。原领域有效不等于 BCI 有效，已有 EEG 相关工作尚未检索确认。