利用大语言模型的上下文感知开放词汇 MEG 到文本解码

该研究面向配对 MEG—文本数据稀缺条件下的开放词汇解码，提出上下文感知框架 CoMET，将任务重述为由 MEG 承载语言内容、由前文引导候选文本搜索的条件推断问题。基于摘要分析，未取得论文全文。 机制上，CoMET 首先在词级对齐 MEG 信号及其对应文本，再在上下文条件下将这些表征映射到大语言模型的潜在空间。前文被用作语义锚点，以缩小文本搜索空间；这一设计将神经信号表征学习与语言先验结合，而非仅依赖稀缺配对数据学习信号到文本的映射。摘要未披露具体对齐目标、映射结构、大语言模型名称、训练策略及推理流程，相关细节尚未验证。 作者报告，在两个 MEG—文本数据集的评估中，既有开放词汇解码器表现接近随机，而 CoMET 达到最先进的开放词汇解码表现。但摘要未提供数据集名称、被试数、划分协议、指标、具体数值或基线配置，因此尚不能判断增益大小及跨被试、跨会话泛化能力。 阅读正文时应重点核对前文的来源与可用条件、词级对齐所需监督，以及上下文先验和 MEG 信号各自对输出的贡献；这些是待核对事项，并不表示作者未做相应控制。实验协议、消融及统计信息尚未验证。作者表示代码将在发表时公开，目前材料不足以确认代码可用性，也不足以将结果视为真实交流恢复场景中的临床验证。