用于小鼠社会行为表征学习的跨骨架交互图聚合网络

基于摘要分析。本文研究基于姿态关键点的小鼠社会行为表征学习，针对小鼠身体形态高度可变、运动模式模糊所带来的交互建模困难，提出 Cross-Skeleton Interaction Graph Aggregation Network（CS-IGANet），用于编码自由互动小鼠的动态交互信息；研究对象不是 EEG 或 BCI 解码。 方法包含三个主要部分：Cross-Skeleton Node-level Interaction（CS-NLI）模块建模骨架内、骨架间及跨骨架的多层次交互；Interaction-Aware Transformer（IAT）通过交互感知自注意力动态学习图级社会行为表示，并更新节点级表示；辅助自监督任务通过衡量跨骨架节点相似性增强表征能力。摘要未给出这些交互类型的具体构图规则、自注意力计算形式或辅助任务的损失定义，相关实现尚未验证。 作者报告，在标准 CRMI13-Skeleton 和团队提出的 PDMB-Skeleton 数据集上，模型优于若干现有先进方法。摘要未提供具体指标、数值、数据划分或基线名称，因此无法判断优势幅度及其适用条件；实验协议、消融及统计信息尚未验证。复现需进一步核对姿态关键点定义、交互图构建、数据集获取条件及训练配置。 该工作的直接贡献是小鼠姿态交互图表征，而非神经信号建模。摘要没有建立其骨架交互机制与 EEG/BCI 任务的具体对应关系，因此不据此提出迁移效果或复现实验建议；相关 EEG 工作尚未检索确认。