SCoRe：次模组合表征学习

基于摘要分析。SCoRe 面向通用表征学习中的类间偏差与类内方差问题，以基于集合的次模信息度量构造损失函数，为表征学习提供组合优化视角；原研究对象是分类与目标检测，并非 EEG 或 BCI。 核心机制是利用 Total Information 与 Total Correlation 提出两种组合式损失构造。作者称这些目标能够自然减小类内方差与类间偏差，并将 supervised contrastive loss、orthogonal projection loss 和 N-pairs loss 纳入 SCoRe 的统一框架。其阅读价值在于考察集合级目标如何连接既有损失，以及如何处理类别不平衡；具体数学定义、监督要求、集合构造、优化方式与计算开销尚未验证。 作者报告，在类别不平衡相关评估中，CIFAR-10-LT、CIFAR-100-LT 与 MedMNIST 分类任务的提升最高为 7.6%，ImageNet-LT 分类提升为 2.1%，IDD 与 LVIS（v1.0）目标检测提升为 19.4%。摘要未说明这些提升对应的具体指标、相对增幅或百分点、对照基线及数据划分，也未逐一给出前三个数据集的结果，因此不能将其直接解释为 Accuracy 或检测指标的绝对增量。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若目标依赖可稳定构造的类别集合，其集合级约束可能用于 EEG 分类中的类别不平衡与类内异质性。可复用部分是损失设计，需适配 EEG 编码器、批次内类别集合及跨被试采样方式；低信噪比、小数据和被试差异可能使集合统计不稳定，过度压缩类内差异也可能削弱有用的个体信息。一个可检验的假设是：固定 EEG 编码器，在相同 Cross-subject 划分和类别不平衡设置下，仅替换基线损失为 SCoRe 目标，比较 Balanced Accuracy、逐类表现及多次运行波动。该实验须先核对全文中的损失与训练要求；已有 EEG 相关工作尚未检索确认。