MaskCLR：用于鲁棒动作表征学习的注意力引导对比学习

基于摘要分析。该研究针对基于 transformer 的骨架动作识别模型过度依赖少量关节和低层运动模式、因而易受骨架微小扰动及训练与测试间姿态估计器变化影响的问题，提出 MaskCLR，以注意力引导的概率遮挡和多层级对比学习促进更稳健的动作表征。 核心机制是优先遮挡重要关节，促使模型探索更广泛的判别性关节；同时约束原始骨架与遮挡骨架的表征，使同类更紧凑、异类更分散。作者将其目标解释为从低层关节变化转向高层动作语义。摘要未提供注意力到遮挡概率的具体映射、对比层级、损失形式及监督信号的使用方式，这些细节尚未验证。 作者将 MaskCLR 分别结合 vanilla transformer、DSTFormer 和 STTFormer，并在 NTU60、NTU120 和 Kinetics400 上评估。作者报告，在标准骨架及来自不同姿态估计器的扰动骨架条件下，该方法优于此前的先进方法，表现出准确性、泛化性和鲁棒性改善；摘要未给出具体分数、数据划分、扰动强度及基线配置，不能据此量化提升或比较不同协议。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移假设是，通过遮挡模型高度依赖的输入部位，缓解 EEG 解码对少数通道或局部伪迹的依赖。可复用的是重要性引导遮挡与多层级表征约束；需将关节结构改造为 EEG 通道或时空片段，并明确类别监督和正负样本构造。骨架关节与 EEG 通道并不等价，容积传导、低信噪比、跨被试差异及小样本可能导致遮挡关键神经信息或强化伪迹。一个可检验的小实验是在固定 Cross-subject 划分下，对比不遮挡、随机通道遮挡与注意力引导遮挡，并在相同通道缺失或噪声条件下评估，检验收益是否来自遮挡策略而非一般正则化。已有 EEG 相关工作尚未检索确认。