基于 Mean-Field Flow 的一步无潜空间 EEG 生成

基于摘要分析。该研究针对 EEG 数据规模与多样性有限，以及潜空间压缩可能损失波幅结构、相位关系和瞬态事件的问题，提出 Mean-Field Flow（MFF）：直接在原始 EEG 空间建模、以单次前向传播完成采样的生成方法。 机制方面，MFF 使用 mean-field token coupling，通过分别共享的低维场建模通道与时间交互。作者将其定位为对跨电极相关性建模的结构性设计，以区别于不显式包含共享皮层源先验的标准 self-attention。训练采用基于 ℓ1 回归的平均速度目标，将采样缩减为一步。这里的“无潜空间”指不依赖潜空间压缩，并不意味着模型内部不使用低维表示；摘要明确提到了低维共享场。具体场的构造、耦合方式及目标函数完整定义尚未验证。 作者报告，在 14 个公开 EEG benchmark 数据集上，MFF 获得最低的平均 TS-FID，相对最强基线降低 27.8%；下游 BCI 分类 Accuracy 平均提高 2.80 个百分点。作者还报告，生成样本在 Hjorth parameters、偏度和头皮地形图方面更接近真实 EEG。这些结果分别涉及生成质量、下游效用与信号统计特征，不能相互替代，也不能据此断言生成样本保留了全部生理信息。 摘要未列出数据集名称、基线配置、被试数量、被试内或跨被试等划分方式，以及生成样本用于分类的具体协议。因此，上述平均收益仅能按作者报告理解，不能外推为跨被试、跨会话或跨数据集有效性。实验协议、消融及统计信息尚未验证；复现时需核对训练与测试数据边界、增强比例、TS-FID 的计算方式、各数据集结果及实际采样成本，代码和模型权重的可用性也尚未验证。