面向手写数学表达式识别的语义图表示学习

基于摘要分析。本文研究手写数学表达式识别（HMER）中符号关系难以被显式建模、相似符号容易混淆的问题，提出语义交互学习（SIL），利用符号共现先验增强识别模型对符号关系的理解；研究对象是手写数学表达式，而非 EEG 或 BCI。 方法首先依据符号共现概率构建语义图，再通过 semantic aware module（SAM）将视觉特征和分类特征投影到语义空间，以投影向量之间的余弦距离表征符号相关性，并联合优化 HMER 与 SIL。摘要未提供图的具体构建规则、损失形式或联合优化权重。其核心思路是在视觉识别之外显式引入符号关系约束；作者称 SAM 可接入现有基于注意力的 HMER 模型。 作者报告，在 CROHME 和 HME100K 数据集上，该模块能够提升识别性能，且优于既有方法；摘要未给出具体指标、数值、数据划分及对照模型，因此无法判断增益大小或不同设置下的稳定性。实验协议、消融及统计信息尚未验证。复现时需核对共现概率的统计来源、图与符号类别的对应方式，以及 SAM 的接入位置和训练设置。 平台推测（待验证）：若 EEG/BCI 任务的输出符号或指令确实具有稳定的共现关系，可假设借用“关系图先验＋特征投影约束”缓解类别混淆；但这依赖可靠的类别关系统计，不能直接照搬数学符号共现图。需将视觉特征接口改为 EEG 表征，并核对类别关系在跨被试、跨会话条件下是否稳定。低信噪比、小样本和通道差异可能使投影不可靠，先验也可能压制少见但正确的输出。可在具有明确输出关系的 EEG 任务中，以相同划分比较基础解码器、加入关系约束及随机关系图对照，仅用训练集估计关系，检验提升是否来自有效先验。相关 EEG 工作尚未检索确认。