PairCal：用于跨被试 EEG 到图像检索的免训练配对支持集校准

基于摘要分析。该研究针对跨被试 EEG 到图像检索中的被试间差异，提出 PairCal：利用未见被试的少量 EEG–图像配对支持样本，对预训练检索模型进行免训练校准，不更新预训练编码器。其贡献侧重于推理阶段的少样本适配，而非重新学习被试无关表征。 PairCal 包含两个互补组件。Support-Guided Calibration（SGC）利用支持集中的 EEG–图像残差，生成随查询变化的跨模态校正；Meta-Distractor Calibration（MDC）通过对同一支持集执行留一法，构造伪未见查询，估计并抑制候选图像特有的 hubness 偏差，即某些候选容易成为多个查询近邻的倾向。两者分别作用于 EEG 查询和图像候选的校准，但具体计算公式、组合方式及推理开销尚未验证。 作者报告，在留出被试、不同编码器架构、训练方案和支持集规模下，PairCal 均带来一致的检索增益。摘要未提供数据集、被试数量、检索指标、增益幅度或具体对照，因此不能量化其收益，也不能与其他协议下的结果直接比较。 复现时需重点核对：支持集与测试查询及候选图像的划分关系、配对支持样本的获取成本、SGC 与 MDC 的独立及联合贡献，以及不同支持集规模下结果的稳定性。免训练不等于无需新被试数据；该方法仍依赖目标被试的配对支持样本。实验协议、消融、统计信息与代码可用性尚未验证。