从分子到混合物：利用归纳偏置学习嗅觉混合物相似性表征

基于摘要分析。本文研究人类对分子混合物的嗅觉感知相似性，将面向单一化合物的 primary odor map（POM）扩展为混合物表征 POMMix，旨在刻画现实气味中多种分子共同形成的感知关系，而非处理 EEG 或 BCI 信号。 方法以问题空间中的对称性为归纳偏置，分层构建表征：先用图神经网络获得分子嵌入，再通过注意力机制将分子表征聚合为混合物表征，最后利用余弦预测头在混合物嵌入空间中编码嗅觉感知距离。摘要未给出具体对称性约束、注意力实现、损失函数或分子配比的编码方式，这些机制细节尚待全文核对。 作者报告，POMMix 在多个数据集上取得最先进的预测表现，并通过多种数据划分评估其对未见分子及不同混合物规模的泛化能力。但摘要未提供数据集名称、样本规模、划分细节、对照基线或指标数值，因此尚不能判断性能提升幅度，也不能比较不同泛化设置的难度。作者强调领域知识与深度学习结合在低数据条件下的作用，相关消融及统计信息尚未验证。 该工作的主要贡献是嗅觉混合物表征学习；现有材料未提供与 EEG/BCI 的具体机制对应或验证结果，不据此推导 BCI 有效性。复现需进一步确认数据及感知相似性标注的获取方式、POM 的使用方式、混合物构成与划分规则，以及训练配置和实现可用性。