QCLR：通过量化增强自监督骨架人体动作识别中对比学习鲁棒性的即插即用模块

基于摘要分析。本文研究自监督骨架人体动作识别中对比学习表征易受对抗攻击的问题，提出即插即用的量化鲁棒化模块 QCLR，目标是在增强对抗鲁棒性的同时保留表征能力。研究对象是人体骨架动作数据，并非 EEG 或 BCI 信号。 机制上，QCLR 在编码流程中采用双层量化；按作者描述，该设计通过阻断梯度传播，并将小幅对抗扰动吸收在量化区间内来增强鲁棒性。针对量化误差可能损害表征质量的问题，作者进一步提出注意力引导的多面向量化策略。摘要未提供两个量化层级的具体位置、量化区间构造、注意力实现、训练目标或推理配置，这些细节尚未验证。 作者报告，在若干基准数据集上，将 QCLR 集成到一系列主流对比学习模型后，对基于梯度的白盒攻击和无梯度黑盒攻击的鲁棒性均得到明显改善，同时保持有竞争力的分类 Accuracy。摘要未列明数据集名称、数据划分、攻击方法与预算、数值结果和对照配置，因此尚不能量化收益或比较不同协议。需在全文中核对适配量化操作的攻击是否充分，以及量化层级和注意力策略各自的贡献；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移机制是利用量化区间抑制小幅输入或特征扰动，并用注意力缓解信息损失，依赖骨架时序数据上的对比学习表征训练。若用于 EEG，可复用量化模块思路，但需改造量化尺度、通道组织与注意力对象。假设 EEG 判别信息与扰动在幅值尺度上可分，量化可能有助于鲁棒性；低信噪比、跨被试幅值差异及小数据下不稳定的注意力也可能使微弱有效信号被一并抹除。可在固定跨被试划分下，对同一 EEG 对比学习基线比较不量化、双层量化和加入注意力的版本，同时评估干净数据及适配量化机制的攻击下的 Accuracy。该假设不构成已证实的 BCI 效果，已有 EEG 相关工作尚未检索确认。