StreamSplit：通过不确定性引导的自适应切分实现连续音频表征学习

基于摘要分析。StreamSplit 面向边缘设备上的连续音频对比学习，试图缓解本地小批量训练影响表征质量、云端卸载增加延迟与带宽开销之间的矛盾。其贡献是结合基于分布的流式学习框架与不确定性引导的自适应计算切分，而非提出 EEG 或 BCI 专用算法。 方法包含两部分：一是通过可计算的 Hybrid Loss，在稀疏更新条件下维持表征质量，旨在降低对本地批量大小的依赖，并衔接连续环境音频与 CLAP、COLA 等模型的离散批处理需求；二是使用轻量级强化学习策略，将实时资源监测与嵌入歧义度共同作为动态划分计算的依据，在线权衡准确率与延迟。摘要未给出分布表示、损失公式、不确定性估计方式、策略训练及切分粒度。 作者报告，在涵盖 Raspberry Pi 4 至 Apple M2 的硬件评估中，相较服务器中心式基线，每样本延迟最高获得 4.7× 加速，带宽和能耗分别降低 77.1% 与 52.3%，准确率与服务器中心式模型的差距在原文所述 2.2% 以内。摘要未说明这些结果是否来自同一配置，也未明确准确率差异是相对百分比还是百分点；数据集、任务、划分、基线配置、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若连续 EEG 表征学习也依赖批量对比训练及端云协同，可检验的迁移假设是：资源状态与表征不确定性联合决策，可能比固定计算切分更适应运行时波动。可复用的是资源监测与动态切分思路，需改造音频编码器、流式窗口、增强及不确定性校准；EEG 的低信噪比、跨被试差异、通道变化与小数据可能使歧义度主要反映伪迹，而非计算需求。小规模实验可在固定 EEG 任务、划分和资源预算下，对照固定切分与自适应切分，同时记录任务指标、延迟、传输量及能耗。已有 EEG 相关工作尚未检索确认。