面向自监督分类体系补全的对比表征学习

基于摘要分析。本文研究自监督分类体系补全：将新概念插入既有分类体系中合适的上位概念—下位概念对之间。作者提出对比学习框架 CoSTC，通过视图内与视图间两类对比信号，学习分类体系中的多种关系及概念与候选插入位置的表征。 机制上，视图内对比通过实例级判别任务，利用查询概念之间及候选位置之间的关联；视图间对比则采用同时考虑多样性与难度的采样策略，选择代表性配对，以学习更细粒度的查询—位置关系。其方法重点是扩展自监督信号来源并改进配对采样，而非仅依赖单一视角或随机采样。摘要未给出编码器结构、损失函数及两类对比目标的具体组合方式。 作者报告在三个数据集上的实验支持该方法的有效性，但摘要未提供数据集名称、划分、对照基线、评价指标及具体数值，因而尚不能判断收益幅度与适用边界。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但实现细节、依赖与复现条件尚未核验。 该研究的主要对象是具有上下位关系的概念分类体系，并非 EEG 或 BCI。其学习信号依赖分类结构和查询—位置配对，不能直接等同于 EEG 中的样本或通道关系；现有材料不足以建立具体迁移路径，因此不据此提出 BCI 有效性结论或复现实验建议。相关 EEG 工作尚未检索确认。