CrossSim：通过表征学习实现跨系统轨迹相似性计算

基于摘要分析。本文研究多个系统因隐私约束无法共享原始轨迹时，如何实现跨系统的相似轨迹检索，提出表征学习框架 CrossSim。研究对象是轨迹数据，应用背景包括异常路线检测、订单匹配和数字接触追踪，并非 EEG 或 BCI。 方法包含三个部分：Trajectory Encoding Model 将轨迹映射为表征，使表征间距离反映轨迹相似关系；两阶段优化依次进行 Contrastive Similarity Learning 和 Federated Similarity Learning，旨在不汇聚原始轨迹的条件下缓解不同系统间相似关系异构对训练的影响；Similar Trajectory Retrieval 则在不共享原始轨迹的情况下，从各系统中检索 top-k 相似轨迹。摘要未说明编码器结构、相似性监督来源、损失形式、联邦聚合方式及检索通信协议。 作者报告，在三个真实世界数据集的评估中，CrossSim 优于所比较的既有方案；但摘要未给出数据集名称、划分、基线、指标或提升幅度，因此尚不能判断优势的大小及适用边界。实验协议、消融及统计信息尚未验证。不共享原始轨迹也不能直接等同于具备形式化隐私保证，表征与通信信息的泄露风险仍需结合全文核对。 平台推测（待验证）：可检验的迁移假设是，两阶段相似性学习与联邦训练的组合，可能用于跨机构 EEG 片段检索，针对数据不能集中、机构间相似关系不一致的问题。可复用的是训练与检索流程；轨迹编码器、相似性定义及监督信号须按 EEG 任务重设。低信噪比、通道配置差异、被试差异及小样本可能使表征距离失去任务意义。一个小规模可证伪实验是，在固定 EEG 任务与留出划分下，将该流程与本地相似性学习、常规联邦训练比较，检查跨机构 top-k 检索质量及各机构间表现差异。该实验属于迁移建议，不是论文结果；已有 EEG 相关工作尚未检索确认。