PRISM：基于视觉几何预测完整的场景记忆报告分布

基于摘要分析。本研究针对视觉工作记忆中准确率或误差大小无法区分“具体报告了哪个场景”的问题，提出 PRISM，利用目标场景与候选场景的视觉相似性预测完整报告分布。其主要研究对象是自然场景的视觉工作记忆，EEG 用于检验相关表征几何的神经对应关系，而非直接开展 BCI 解码。 PRISM 包含三个相互关联的部分：PRISM-Eval 用于分离冻结视觉网络在响应显示结构及六种固定图像描述符之外提供的信息；PRISM-Channel 将视觉证据纳入包含记忆精度与猜测成分的认知模型；Cognitive-Channel Geometry Distillation（CCGD）则学习冻结相似性的紧凑组合。核心思路是将错误报告的视觉内容视为记忆表征的线索，而不只分析错误距离。 作者报告，在两个连续报告数据集上，中间层视觉特征相较全部固定对照提高了留出数据的似然；组合三个视觉模型改善了认知基线预测，并在固定正则化条件下取得相对权重收益，在独立记忆任务上经适配后呈现正向迁移。摘要未提供这些收益的数值、划分方式或适配细节，不能据此比较不同协议下的效果。 作者还报告，独立 EEG 数据显示，对行为预测有用的表征几何能够捕捉六种固定描述符之外的神经结构。这支持进一步考察行为与神经表征之间的联系，但不能等同于已验证的 EEG 解码或 BCI 性能提升。视觉模型名称、数据集与被试规模、EEG 分析方法、训练与适配所用数据、实验协议、消融及统计信息尚未验证。复现时需重点核对相似性构造、固定对照、留出划分及认知模型拟合方式。