采用优化潜在表征学习与数据增强的半监督对比学习进行晶圆图模式识别

基于摘要分析。本文研究半导体制造中的晶圆图模式识别，针对人工标注成本高的问题，提出半监督对比学习框架，利用少量标注数据与大量未标注数据学习用于特征提取和分类的潜在表征；其主要研究对象并非 EEG 或 BCI。 方法包含三个要点：在少量标注数据上使用监督对比学习，促进不同晶圆模式类别在潜在空间中分离；引入双编码器潜在空间模型，联合利用标注数据、未标注数据及不同类型的数据增强；通过晶圆间数据增强合成原数据集中未出现的数据，以丰富潜在表征的语义。摘要未给出双编码器的具体交互方式、损失函数、增强生成规则或训练流程，这些细节尚未验证。 作者报告，在晶圆图模式识别实验中，该方法相较现有技术及近期对比学习方法取得较大性能增益，并据此提出半监督学习可能无需大量标注即可获得较高 Accuracy。摘要未提供数据集名称、标注比例、划分方式、具体数值及基线配置，故无法量化增益，也不能据此判断其与充分监督方法在何种条件下相当；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其少标注表征学习机制可能对应 EEG 标注有限的问题，但这是迁移假设。可考虑复用标注与未标注样本联合学习、监督对比约束的思路；晶圆间增强则依赖晶圆图的空间模式语义，不能直接视为有效 EEG 增强，需改造成保持任务标签及通道生理含义的操作。低信噪比、跨被试差异、通道配置变化及小数据可能削弱类别分离或使增强引入伪特征。一个可证伪的小实验是在固定跨被试划分与标注预算下，对比监督基线、半监督对比基线及加入适配增强的版本，检验增益是否跨被试稳定；这不是原文实验，相关 EEG 工作尚未检索确认。