自监督学习中的逐步特征学习

基于摘要分析。本文研究自监督学习（SSL）为何优先利用数据集特有的偏差，而非学习更具泛化能力的特征，并提出以 extent bias 和 amplitude bias 为核心的理论分析框架。主要研究对象是通用表征学习中的捷径学习，并非 EEG 或 BCI 方法。 作者报告，通过分析这两类偏差与特征学习优先级之间的关系，学习动态主要受到特征维度属性和幅值的支配，而非特征的语义重要性；特征交叉相关矩阵的特征值会影响不同特征被学到的先后顺序。这提供了一个解释模型为何先学到捷径特征的机制视角，但摘要不足以确定该结论适用的模型、目标函数与理论假设范围。 摘要未提供具体损失、训练与推理设置、数据集、实验规模或定量结果；理论推导条件、实验协议、消融及统计信息尚未验证。阅读全文时需核对 extent bias 与 amplitude bias 的严格定义、特征交叉相关矩阵的构造，以及理论预测与实际学习顺序之间的对应证据。 平台推测（待验证）：若 EEG 自监督表征也存在由特征维度与幅值驱动的学习偏好，该框架可能有助于分析高幅值伪迹或记录条件特征是否先于任务相关特征被学习。可复用的是特征谱与学习顺序的分析思路；需改造的是适配多通道时序的特征定义与相关矩阵估计。低信噪比、通道差异、被试差异及小样本可能使谱估计不稳定，也可能混淆幅值与任务信息。一个可检验的小实验是在固定 EEG 自监督训练协议下，对受控伪迹的幅值与维度分别进行干预，观察学习顺序及跨被试迁移表现是否按理论预期变化。该建议不是原文已验证结果，相关 EEG 工作尚未检索确认。