用于自监督表征学习的随机场数据增强

基于摘要分析。本文研究图像自监督表征学习中的数据增强问题，提出基于 Gaussian random fields 的局部变换族，使变换参数随像素位置连续变化，扩展传统仿射与颜色变换所能覆盖的增强空间。 核心机制是将变换参数视为空间坐标的连续函数，并以相互独立的 Gaussian random fields 建模。相较于平移、旋转、颜色扰动等常见变换，这一方法允许参数逐像素变化，从而引入更丰富的局部扰动。摘要未说明具体自监督目标、随机场协方差设定、采样实现或计算开销，相关细节尚未验证。 作者报告，相对于其基线，ImageNet 下游分类的 top-1 Accuracy 提升为原文所述的“1.7%”，分布外 iNaturalist 下游分类提升为“3.6%”；摘要未明确这些提升是相对百分比还是百分点，也未交代后一指标的具体口径、基线配置及评估划分，不能据此作跨协议比较。作者同时报告，表征对增强超参数敏感：温和变换有益，过强变换可能破坏图像结构。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的机制是以平滑随机场控制局部扰动，而非直接照搬图像增强。若用于 EEG 时频表征，需要将随机场作用于时间—频率坐标，并约束其不破坏任务相关频段与时序；不规则电极布局也不能直接等同于像素网格。其潜在价值是假设能增加合理扰动的多样性，但低信噪比和小样本可能使局部变换抹去有效信号，通道与被试差异也可能使合适强度不一致。一个可检验的小实验是在固定自监督目标、编码器和跨被试划分下，对照常规增强与不同强度的随机场增强，检查下游指标及跨随机种子的稳定性。原图像任务结果不构成 EEG/BCI 有效性证据，已有 EEG 相关工作尚未检索确认。