OSKAR：全模态自监督知识抽象与表征

基于摘要分析。OSKAR 研究如何通过自监督预训练获得兼顾跨模态上下文与模态特有信息的统一表征，核心方法是对掩码多模态输入进行自举式潜在特征预测。原研究实例涉及 video、skeleton 和 text，并非 EEG 或 BCI；“首个基于自举式潜在特征预测的多模态基础模型”是作者的定位，尚未独立核验。 机制上，模型接收多个模态的掩码 token，预测各模态中部分缺失 token 的潜在特征，监督目标来自以动量更新的单模态目标编码器。区别于生成式或对比学习路线，作者强调该设计不要求负样本对、大型记忆库或手工设计的数据增强，并旨在避免对像素等不必要细节的记忆。其可扩展设计为输入与目标使用固定的代表性 token 预算，以使计算成本与模态数量解耦；参数高效的 cross-attention predictor 则利用完整多模态上下文完成预测。具体损失形式、token 选择及预算分配方式尚未验证。 作者报告，统一预训练编码器在动作识别的 RGB、skeleton、冻结编码器及 low-shot 设置，以及动作定位、video-text retrieval 和 video question answering 中，优于规模相近的专用架构。摘要未提供数据集、划分、指标数值与具体基线，实验协议、消融及统计信息尚未验证，不能据此判断各任务收益的幅度或适用范围。 平台推测（待验证）：假设其潜在目标预测可用于 EEG 与同步视频或动作信号的联合表征，可能对应 EEG 低信噪比下的跨模态信息利用问题。可复用部分是动量目标编码器与跨模态预测机制；需改造 EEG token 化、时间对齐和模态预算分配。原方法依赖多模态输入及可学习的单模态目标表征，具体配对结构和训练规模尚未验证。低信噪比、跨被试差异、通道布局变化及小数据可能使 EEG 目标不稳定，或使模型主要依赖强模态。可检验的小实验是在同步 EEG—视频数据上固定被试隔离划分和训练预算，对比 EEG 单模态预训练与联合预训练，并在仅输入 EEG 时评估下游任务表现。已有 EEG 相关工作尚未检索确认。