超越总体性能增益：评估稳健的跨被试 EEG 到文本检索

基于摘要分析。该研究考察跨被试 EEG-to-text retrieval 中，总体检索性能的提升是否意味着未见被试也能获得一致收益；贡献主要是受控比较与被试级、训练随机性维度的评估，而非仅依据平均成绩判断架构有效性。 实验采用清洗后的五被试 ZuCo 句子阅读设置，以被试留一方式评估，归一化仅使用训练数据，模型选择保持被试不重叠，并在 400 个唯一句子内容构成的检索任务上使用三个固定训练种子。比较对象包括 Graph-Free EEG Transformer、基于原型的被试交互、multi-head low-rank adaptation（MHLR）、Controlled BPR-style 稠密 EEG–文本基线，以及确定性的 Ridge 对照。摘要未提供各模块的具体实现、损失函数或训练细节。 在上述协议下，作者报告 Graph-Free 参考模型的 Unique-Sentence Top-1 Accuracy 为 0.544 ± 0.407%，Top-5 Accuracy 为 2.549 ± 0.855%；Prototype-Only SIG 的描述性均值最高，分别为 0.576 ± 0.293% 和 2.765 ± 0.828%。但相对 Graph-Free，其配对增益仅为 +0.032 和 +0.216 个百分点，且增益的幅度与方向随留出被试及训练种子变化。摘要未说明“±”对应的统计量。作者报告 MHLR 的效果同样存在异质性，Controlled BPR-style 与 Ridge 在相同检索任务下未超过 Graph-Free。 这些结果支持在该实验设置中同时报告总体性能、被试级效应与随机训练重复结果，不能将正的总体均值增益直接解释为稳健的跨被试改善，也不能据此推断相关架构在其他协议下普遍无效。复现时需核对数据清洗规则、被试划分与模型选择细节、候选句子构建、种子间结果汇总方式及配对统计。完整实验协议、消融及统计信息尚未验证；结论向其他数据集或更大被试群体的适用性也尚未验证。