用于表征学习的全局平均精确率

基于摘要分析。本文研究表征学习中的跨查询相似度可比性：mAP、InfoNCE 和逐查询 AP 替代损失主要比较单个查询对应的正负候选，未直接约束不同查询的相似度能否共用一个决策阈值。作者提出 Global Average Precision（gAP），将所有查询—候选对合并排序后计算单一 AP，并提出其可微替代目标 gSAP。 机制上，gSAP 仅需相似度矩阵和标记正样本对的二值矩阵，作者将其定位为不依赖编码器、模态及监督来源的损失替换方案。它联合考虑批内所有可能的成对比较；作者报告，这使其在逐查询替代目标梯度不足的低温度区间仍可训练。具体平滑形式、梯度性质、计算与显存开销尚未验证。 作者报告，将 gSAP 替换进既有训练方案后，监督度量学习、跨模态对齐和自监督预训练均获得改善。在统一阈值检索中，相同 precision 下，gSAP 检出的正样本对数量最高达到最强 AP 替代目标的四倍；加入数据库中没有正样本的查询时，其性能退化最少。作者还报告迁移、kNN 和零样本分类 accuracy 提升。摘要未提供具体数据集、划分、基线名称及各项数值，因此不能跨协议比较；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 表征用于相似度检索或统一阈值判定，跨查询校准机制可能对应跨被试相似度尺度不稳定的问题。可复用 gSAP 目标，但需根据任务构造正样本矩阵，并改造批采样以覆盖被试和类别；低信噪比、通道差异及小数据可能使全局排序更受噪声或被试特征支配。一个可证伪的小实验是固定编码器、数据划分与训练预算，对比 InfoNCE 和 gSAP，在独立验证集确定统一阈值后评估 Cross-subject 测试集的固定 precision 下召回及各被试表现。该迁移假设不等于已证实的 BCI 效果，已有 EEG 相关工作尚未检索确认。