用于无监督 3D 动作表征学习的对比正样本挖掘

基于摘要分析。本文研究基于骨架的无监督 3D 动作表征学习，提出 Contrastive Positive Mining（CPM），针对对比学习中严格的正负样本约束，挖掘非自身正样本以增强表征学习；原研究对象不是 EEG 或 BCI。 核心机制是使用孪生编码器，使增强实例相对于上下文队列中所有实例的相似度分布相匹配。CPM 进一步识别队列中的非自身正样本，并通过正样本增强学习策略利用这些样本的信息，旨在提高潜在空间对类内与类间多样性的鲁棒性。摘要未说明正样本识别准则、具体损失形式、队列更新方式及编码器结构，这些实现条件尚未验证。 作者报告，在 NTU 和 PKU-MMD 数据集的无监督 3D 动作表征学习评估中，CPM 优于既有最先进的无监督方法。摘要未提供具体分数、数据集版本、划分及下游评估协议，因此目前不能判断收益幅度，也不能与其他协议下的结果直接比较；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 样本间的相似性能够反映任务相关状态，而不是主要由被试、会话或伪迹决定，非自身正样本挖掘可能缓解将语义相近片段视为负样本的问题。可考虑复用上下文队列、分布匹配与正样本增强机制，但需针对 EEG 改造编码器、增强方式和挖掘准则。低信噪比、通道差异及小数据条件可能使错误正样本累积，跨被试差异也可能主导队列邻近关系。一个可证伪的小实验是：在固定 Cross-subject 划分、相同编码器与训练预算下，对比不挖掘正样本和加入 CPM 式挖掘的模型，仅在评估阶段用标签核对挖掘样本的一致性及下游分类表现。相关 EEG 工作尚未检索确认，此迁移假设不构成已验证效果。