动作中的手性：通过潜在空间拉直学习时间感知视频表征

基于摘要分析。本文研究如何构建对视觉随时间变化敏感的紧凑视频表征，并提出 chiral action recognition（手性动作识别）任务，要求区分开门与关门、靠近与远离、折叠与展开等时间方向相反的动作。核心贡献是在冻结图像特征序列上进行自监督适配，使这类动作对在表征空间中更易线性分离。 方法以自编码器为基础，在潜在空间引入受 perceptual straightening（感知拉直）启发的归纳偏置。其关注点不是仅识别场景或物体，而是保留物体状态、尺寸、位置或数量随时间变化的信息。摘要未给出潜在空间约束、损失形式、序列聚合及训练细节，具体实现尚未验证。 作者报告，在 Something-Something、EPIC-Kitchens 和 Charade 三个数据集的所提任务上，该方法获得了紧凑且具有时间敏感性的视频表征，并优于在大规模视频数据上预训练的更大视频模型；与已有模型结合后，标准分类基准的表现也有所改善。摘要未提供指标数值、数据划分、基线配置或计算预算，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的机制假设是，对潜在轨迹施加时间结构约束，或有助于保留 EEG 表征中的演化方向，而非只依赖静态统计。原方法依赖有序视觉特征序列；迁移时需替换为 EEG 特征编码，并验证目标任务是否确有可辨识的方向性动态，不能直接把时间反转 EEG 当作另一真实类别。低信噪比、跨被试差异、通道配置变化及小样本可能使轨迹约束失效。可在固定 EEG 编码器和相同划分下，对比有无该约束的线性探测表现，并以时间打乱检验其是否真正利用时序；这一实验需待全文明确约束后设计。已有 EEG 相关工作尚未检索确认。