TCGL：用于自监督视频表征学习的时序对比图

该研究面向无标签视频的自监督表征学习，提出 Temporal Contrastive Graph Learning（TCGL），通过联合建模片段内与片段间的时间依赖，学习多尺度时序表征。基于摘要分析，原论文研究对象是视频动作识别与视频检索，而非 EEG 或 BCI。 机制上，Spatial-Temporal Knowledge Discovering（STKD）模块基于离散余弦变换的频域分析，提取运动增强的时空表征；随后将帧与片段的顺序先验编码到片段内及片段间 Temporal Contrastive Graphs（TCG）中，通过对比学习提高不同图视图间节点表征的一致性。Adaptive Snippet Order Prediction（ASOP）模块利用片段间关系学习全局上下文，并自适应重校准通道特征，为无标签视频构造监督信号。这里的通道特征属于视频模型表征，不能直接等同于 EEG 电极通道。 作者报告，TCGL 在大规模动作识别和视频检索基准上优于所比较的先进方法，但摘要未提供具体数据集、划分协议、对照配置或指标数值，因而无法判断优势幅度与适用边界。摘要提供了公开代码地址；实验协议、消融及统计信息尚未验证，复现仍需核对图构建、视图生成、损失定义及训练配置。 平台推测（待验证）：若 EEG 任务具有可保留的局部与长程时间结构，片段内／片段间图及顺序预测可能为无标签 EEG 预训练提供候选机制。该假设依赖足量无标签连续信号和有意义的时间顺序；需将视频 STKD 与增强策略改为适合 EEG 的频时处理及信号增强。低信噪比、跨被试差异、通道配置变化和小数据可能导致图关系不稳定，顺序任务也可能学到非任务相关的漂移。可在固定 Cross-subject 划分下，比较同一 EEG 编码器使用与不使用双尺度时序图预训练的下游表现，并以打乱时间顺序作为对照，检验增益是否来自时序结构。已有 EEG 相关工作尚未检索确认。