GradMix：通过归因引导的特征覆盖提升监督与自监督学习的兼容性

基于摘要分析。本文研究开放集识别（OSR）中监督学习与自监督学习（SSL）的兼容性问题，提出数据增强策略 GradMix，旨在扩展两个目标可共同学习的表征范围，同时保留已知类判别能力与区分未知样本所需的信息。 机制与贡献：监督学习侧重与类别标签相关的特征，SSL 则可扩大标签信息之外的特征覆盖。作者将辅助 SSL 目标可能降低已知类分类准确率的现象归因于表征学习信号冲突，并提出通过 GradMix 引导 SSL 学习与监督目标兼容的更广泛表征，扩大两者共享的解空间。标题将其描述为“归因引导的特征覆盖”，但摘要未说明归因计算方式、增强操作、损失形式或训练流程，不能据此推定其具体实现。 结果与证据边界：作者报告，在标准及领域特定 OSR 基准上，GradMix 相比朴素的监督—自监督联合训练持续取得改进，与先进 OSR 方法相比具有竞争力；作者还报告，分布外检测、常见扰动鲁棒性和 SSL 表征线性探测评估支持其改善表征泛化与判别能力。摘要未提供基准名称、指标数值、数据划分和基线配置，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 开放集识别中也存在类别判别目标与辅助 SSL 目标的冲突，该兼容性思路可能具有参考价值，但原文未提供 EEG 或 BCI 证据。可复用的候选是归因引导的增强原则，需改造的是适配 EEG 时序、通道结构及生理有效性的增强操作。低信噪比、小样本和跨被试差异可能使归因集中于伪迹或被试特征。待明确原方法后，可在固定跨被试划分与未知类别留出协议下，对照朴素联合训练和 GradMix，分别检验已知类分类与未知类检测表现。相关 EEG 工作尚未检索确认。