SATTC：用于跨被试 EEG-to-image retrieval 的结构感知无标签测试时校准

基于摘要分析。该研究针对跨被试 EEG-to-image retrieval 中的被试分布偏移与嵌入空间 hubness（少数候选频繁成为近邻）问题，提出 SATTC（Structure-Aware Test-Time Calibration），在冻结 EEG 与图像编码器后校准相似度矩阵，以改善视觉解码中的检索排序和小 k 候选列表可靠性。 方法结合两类专家：几何专家对 EEG 嵌入进行被试自适应白化，并采用自适应 Cross-domain Similarity Local Scaling（CSLS）；结构专家利用互为最近邻、双向 top-k 排名与类别流行度构建结构信息。两者通过 Product-of-Experts 规则融合。摘要将其定位为无标签、与编码器无关的测试时校准层，但未给出白化估计、局部尺度计算及融合规则的具体形式。 评估采用 THINGS-EEG 上严格的留一被试协议。作者报告，使用余弦相似度、l2 归一化嵌入与候选白化的标准化推理，相比原始 ATM 检索设置已形成较强的跨被试基线；在该基线上，SATTC 进一步提高 Top-1 与 Top-5 Accuracy，降低 hubness 和类别间不均衡，并改善小 k 候选列表的可靠性。作者还报告增益可迁移至多个 EEG 编码器，但摘要未提供具体编码器名称、指标数值或统计不确定性，不能据此量化提升幅度。 复现时应重点核对标准化基线与 SATTC 的独立贡献，以及测试时白化、邻域统计和类别流行度的计算范围、候选池构成及无标签条件的具体实现。作者提供了代码链接，但代码内容及可运行性尚未验证；完整实验协议、消融及统计信息尚未验证。