SKL-CLIP：通过语言监督学习基于骨架的动作表征

基于摘要分析。本文研究基于骨架的动作表征学习，针对骨架数据与图像的数据结构不兼容、骨架数据集规模有限而难以直接沿用 CLIP 式学习的问题，提出语言监督框架 SKL-CLIP，旨在提升表征迁移与泛化能力。 框架包含三个部分：Supervised Self-Contrastive Learning，用于缓解过拟合并学习可迁移表征；从预训练 CLIP 文本编码器进行知识蒸馏，在适配骨架—文本场景时保留泛化能力；Multi-Domain Parallel Training，利用多个支持数据集改善跨数据集与零样本识别。摘要未给出具体损失形式、蒸馏目标、文本构造、骨架编码方式及多域数据组织细节，这些实现条件尚未验证。 作者报告，在 NTU 与 PKU 数据集的全监督、跨数据集无监督域适应及零样本任务中取得领先表现，但摘要未提供数据集具体版本、划分、指标、数值或对照方法，因而无法核对提升幅度，也不宜跨协议比较。实验协议、消融及统计信息尚未验证；来源材料不足以确认代码和复现配置。 平台推测（待验证）：可迁移的机制假设是，文本语义蒸馏与多域训练可能为有明确类别语义的 EEG 分类提供额外约束，而非直接复用骨架编码器。迁移需要改造 EEG 时序及通道编码、设计类别文本，并明确各域的标签与类别对应关系；低信噪比、跨被试差异、通道不一致及小样本条件可能使文本语义无法对齐实际神经信号。一个可证伪的小实验是在固定跨被试划分、仅使用训练被试数据的条件下，对同一 EEG 编码器比较纯监督训练、加入文本蒸馏、再加入多域训练，并以一致指标和多次重复检验增益。该假设不代表已验证的 BCI 效果，相关 EEG 工作尚未检索确认。