One for All：面向跨传感器骨架表征学习的通用基础模型

基于摘要分析。该研究针对不同传感器的骨架数据在关节数量、索引规则和拓扑结构上的差异，提出通用基础模型 SOfA（Skeleton One for All），旨在通过统一的自监督表征学习，减少对传感器专用或数据集专用模型的依赖；主要研究对象是人体运动的 3D 骨架数据，而非 EEG 或 BCI。 核心机制包含两部分：一是固定数量的可学习 Canonical Joint Slots，通过注意力机制动态聚合传感器特定的骨架输入，将不同关节数量的输入映射到统一槽位；二是由预训练文本编码器生成 Semantic Joint Embedding，替代绝对位置嵌入，以处理跨传感器的关节索引不一致。摘要未说明具体自监督目标、文本描述构造方式或槽位训练细节。 作者报告，将十个 3D 骨架数据集标准化后用于统一训练，并在多种下游任务和传感器类型上取得 SOTA 表现，且单一模型经常优于数据集专用模型。摘要未提供任务名称、数据划分、指标数值及具体对照，因而这些结论的适用范围、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移启发在于用固定槽位吸收可变数量输入，并用语义信息替代不一致的索引。这可能对应 EEG 跨设备通道数量、命名和布局不统一的瓶颈，但依赖输入单元具有可对齐的身份信息，以及足够多样的训练数据。可考虑复用槽位聚合机制，另行改造 EEG 时序编码与通道位置表征；关节语义不能直接等同于电极所记录的混合信号。低信噪比、跨被试差异及小数据条件下，槽位可能无法形成稳定对应。一个可检验的小实验是在相同 EEG 数据、训练规模和跨被试划分下，比较槽位聚合与固定通道映射在通道子集变化时的性能，并消融通道身份表征。已有 EEG 相关工作尚未检索确认，上述实验仅检验迁移假设，不代表已证实的 BCI 效果。