基于迭代表征学习的人类扫视路径预测

基于摘要分析。该研究面向人类扫视路径预测，而非静态显著位置估计，提出迭代表征学习框架，将场景探索建模为“依据当前表征预测下一注视点，再依据视线转移更新表征”的循环。 在预测阶段，作者提出贝叶斯形式的扫视定义，结合感知残差与空间位置对注视选择的影响。感知残差由基于自编码器的网络的表征误差衡量；空间因素由扫视幅度与中心加权机制刻画，最终选择视线转移后验概率最大的点作为注视点。在更新阶段，模型利用当前注视点周围提取的样本重新训练网络，以更新后续预测所用的表征。其主要机制是让表征随注视位置变化，而不是仅从固定显著图中选择位置。 作者报告，该模型能够复现视觉搜索中的基本心理物理学特性，并在多个眼动追踪基准数据集上取得更优表现。摘要未列明数据集名称、评价指标、对照方法、划分方式或具体数值，因而无法判断优势幅度及适用范围；网络结构、训练开销、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是利用局部表征误差引导序列化信息采样，而非将扫视模型直接视为 BCI 解码器。原方法依赖视觉场景、注视邻域样本及眼动基准；若用于 EEG 片段选择，需要改造残差估计、候选位置与更新规则，不能直接照搬空间中心偏置。低信噪比可能使高误差片段主要对应伪迹，跨被试或通道变化也可能破坏误差的可比性，小数据下反复更新则可能过拟合。可检验的小实验是在固定 EEG 任务与训练/测试划分下，比较误差引导与随机片段选择，并核对高误差片段是否富集伪迹；这不属于原论文已验证结果。相关 EEG 工作尚未检索确认。