神经几何对比学习：迈向脑机智能增强

基于摘要分析。该研究针对人工神经网络（ANNs）与人脑表征结构之间的差异，提出 neural geometry contrastive learning（NeuroGeo），将人脑活动中的表征几何结构迁移到 ANNs，以改善抽象概念表征能力。主要研究对象是脑表征引导的人工智能表征学习，不能仅凭标题将其视为已验证的 BCI 方法。 机制上，NeuroGeo 关注表征彼此之间的相对变化，而非要求异质模态空间中的表征严格对应。作者提出，这种几何对齐可从有限脑活动数据中构造丰富的组合监督。方法进一步引入可学习虚拟锚点，将每个嵌入表示为相对锚点的位移，为不同模态和被试建立自适应参考原点，并在对比学习框架内统一跨被试表征学习与关系结构对齐。摘要未给出具体损失公式、配对数据需求或锚点优化方式。 作者报告，NeuroGeo 能将人类表征结构迁移至 ANNs，改善抽象概念表征，并在 few-shot learning 和 neural semantic decoding 等下游任务中获得性能提升，同时产生具有可解释性的概念表征。摘要未提供指标、数值、数据集、脑活动采集模态、被试规模或评估划分，因而不能判断提升幅度，也不能将跨被试学习机制等同于已验证的 Cross-subject 泛化结果。实验协议、消融及统计信息尚未验证。作者表示代码将在论文被接收后发布，这不代表当前已有公开实现或论文已接收。 平台推测（待验证）：若用于 EEG 神经语义解码，可检验相对几何对齐是否有助于缓解被试间表征坐标差异；可复用关系对齐与虚拟锚点机制，但需适配 EEG 编码器、刺激配对及时间窗口。低信噪比、小样本和通道差异可能使关系估计或锚点学习不稳定。一个可证伪的小实验是在固定数据划分、编码器和监督量的条件下，对比无对齐、直接嵌入对齐与 NeuroGeo，并检验锚点设计在 Cross-subject 解码中的贡献。已有 EEG 相关工作尚未检索确认。