LANDMARK：用于场景图生成的语言引导表征增强框架

基于摘要分析。LANDMARK 面向场景图生成（SGG）中的复杂视觉特征与长尾问题，通过对象类别产生的语言先验增强谓词相关表征，而非仅依赖损失函数或数据平衡策略。其主要研究对象是图像中主语对象、宾语对象及二者关系的预测，并非 EEG 或 BCI。 机制上，框架先将对象标签映射为三种不同的语义嵌入。Language Attention Module（LAM）将主语—宾语词嵌入转为注意力向量；Experience Estimation Module（EEM）据此估计谓词分布；Language Context Module（LCM）则从词嵌入编码全局语言上下文，避免仅依赖孤立的局部信息。各模块输出用于更新视觉表征及 SGG 模型预测。作者强调，语言表征均由对象类别生成，不需要额外知识。 作者报告，该框架不依赖特定 SGG 模型，能持续改善现有模型表现，并可与其他去偏方法兼容。摘要未给出数据集、划分、基线、指标或提升幅度，因此尚不能判断其对稀有谓词的收益及整体性能权衡；实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但代码可运行性、配置与复现结果尚未核验。 平台推测（待验证）：若某类 EEG 任务具有推理时可用的外部对象类别及关系上下文，可假设借鉴其“类别语义—关系先验—信号表征更新”机制，而不能将目标 EEG 标签直接视作已知对象标签。可复用思路是语义注意力与上下文融合，需改造对象—谓词结构和 EEG 编码接口；低信噪比、跨被试差异及小数据可能使模型过度依赖语义先验。一个可证伪的小实验是在具有相应上下文的数据上，固定 EEG 编码器和跨被试划分，对比无语义模块、真实上下文与打乱上下文；若真实上下文不优于对照，则该迁移假设不获支持。相关 EEG 工作尚未检索确认。