协同演化学习

基于摘要分析。本文研究生成模型与表征模型各自训练时对高质量、多样化数据的依赖，提出协同演化框架 CORE，以双向反馈同时改善生成数据的语义一致性和表征的泛化能力；原研究对象是通用生成与表征学习，并非 EEG 或 BCI。 核心机制是：生成模型利用表征模型提供的语义信息改善生成质量与语义一致性，表征模型则利用生成模型产生的多样化数据学习更丰富的表示，通过迭代协同演化持续更新二者。摘要未说明语义信息的具体注入方式、损失函数、更新顺序及生成样本筛选机制。作者称，相比独立训练，该框架不会引入不可接受的额外训练开销，但其量化依据尚未验证。 作者报告，在 ImageNet-1K 无条件生成任务中，将框架用于 LDM，可使 FID 从 43.40 降至 20.13；该指标反映生成质量，不能解释为表征任务准确率提升。作者还报告，框架在不同规模和分辨率的数据集上有效，在有限数据场景中优于生成模型或表征模型的独立训练，并能在 self-consuming loop 中缓解 model collapse。具体数据划分、对照配置、表征评估指标、消融及统计信息尚未验证。摘要称代码将公开发布，不能据此认定实现已可获取。 平台推测（待验证）：若表征反馈能约束 EEG 合成样本的任务语义，CORE 的双向反馈机制可能用于缓解有限数据下的表征学习困难。可复用的是迭代协同训练思路；需改造生成器、表征器及语义约束，使其适配多通道时序结构。主要风险是低信噪比和被试差异导致错误语义被反复强化，或生成样本缺乏真实通道关系与生理特征。一个可证伪的小实验是：固定真实 EEG 训练数据与训练预算，在严格跨被试划分下，对比仅真实数据训练、独立生成增强和 CORE 式协同训练，以同一预先指定的任务指标评估，并确保反馈环路不使用测试被试数据。相关 EEG 工作尚未检索确认，原论文结果不构成 BCI 有效性证据。