面向细粒度半监督学习的 Token 感知表征增强

基于摘要分析。本文研究图像细粒度半监督分类中，FixMatch 的图像级增强可能使模型过度依赖早期高置信预测、忽视其他语义特征的问题，提出 Token-Aware FixMatch（TA-FixMatch），通过 token 表征级增强引导模型发现互补证据。 机制上，FixMatch 利用无标签图像弱增强与强增强版本之间的一致性进行学习；TA-FixMatch 则识别对高置信预测贡献最大的 token，并对其进行软抑制，再通过结构化 token 级增强，对其余 token 进行扰动、重组与语义丰富。其核心思路不是仅改变输入图像，而是在表征层削弱主导证据的影响，促使模型利用其他特征。摘要未说明 token 重要性的计算方式、软抑制强度、增强算子、骨干模型及具体损失形式。 作者报告，在低标签量条件下，TA-FixMatch 在标准图像基准 CIFAR-100、STL-10，以及细粒度基准 CUB-200-2011、NABirds、Stanford Cars 上优于现有先进 SSL 方法；摘要未提供具体标签预算、划分、指标、分数及对照配置，因此无法量化优势。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能对应 EEG 半监督分类中模型过度依赖少数局部时空特征的瓶颈，前提是模型具有可解释的时间、通道或时频 token，并有可用的无标签数据。可考虑复用重要性估计与软抑制思路，但图像 token 的重组和语义增强需改造成符合 EEG 时序及通道结构的操作。低信噪比下的重要性估计可能追踪伪迹，抑制操作也可能破坏微弱判别信号；被试差异、通道配置变化及小样本训练会进一步增加风险。一个可检验的小实验是：在固定 EEG 任务与相同跨被试划分、标签预算和骨干下，比较原始 FixMatch、随机 token 抑制与重要性引导软抑制，检验收益是否确由特征选择机制带来。相关 EEG 工作尚未检索确认。