Temporal Representation Enhancement（TRE）：通过学习遗忘主导模式增强时序脉冲特征

基于摘要分析。本文研究视觉分类中 Spiking Neural Networks（SNNs）的跨时间步表征冗余问题，提出 Temporal Representation Enhancement（TRE），通过选择性抑制主导语义模式，促进不同时间步学习多样且互补的特征。其主要研究对象是静态图像与动态神经形态视觉数据，而非 EEG 或 BCI。 核心机制：作者认为，训练中时间不变的监督容易在不同时间步反复强化相同的主导响应模式，从而限制时序判别能力。TRE 结合类别特定的贡献估计与时间累积，识别高贡献语义模式，再通过动态调制选择性抑制这些模式，引导模型利用其他仍有判别信息的语义线索。摘要未给出贡献估计公式、调制位置、抑制强度、损失形式或训练与推理阶段的具体流程。 结果与证据边界：作者报告，在静态图像数据集和动态神经形态数据集的分类实验中，TRE 在不同 SNN 骨干上均改善了分类准确率与特征多样性。摘要未列出数据集名称、划分、对照方法、具体数值及特征多样性的度量方式；实验协议、消融及统计信息尚未验证，尚不能判断收益大小、计算代价或适用范围。 平台推测（待验证）：可检验的迁移假设是，若 EEG 分类用 SNN 同样存在跨时间步主导特征重复，TRE 的贡献估计与动态抑制机制可能用于促进时序互补。迁移需明确类别贡献估计的监督来源，并将视觉语义模式映射到 EEG 时间、通道或潜在特征；所需数据规模尚不明确。低信噪比下可能把噪声误作替代线索，跨被试差异和小数据也可能使贡献估计不稳定，抑制操作还可能削弱真实而持续的任务信号。一个小规模检验是在固定 EEG 数据划分与同一 SNN 骨干下，对照无 TRE、TRE 及随机抑制，分别评估分类准确率和跨时间步特征冗余；被试内与跨被试结果应分开报告。已有 EEG 相关工作尚未检索确认。