ReConTab：用于表格数据的正则化对比表示学习

基于摘要分析。ReConTab 针对表格数据特征工程与特征选择依赖人工的问题，提出结合正则化和对比学习的自动表示学习框架，将原始特征转化为低维嵌入，供下游任务使用。 机制上，框架以原始输入特征构建非对称自编码器，通过正则化进行原始特征选择，并利用对比学习提炼与下游任务相关的信息。作者将其描述为不依赖特定建模任务的框架，但摘要未说明正则化形式、对比样本构造、监督信号、损失组合及预训练流程，因此尚不能判断其任务无关性如何实现，也不能确定它是否属于自监督学习。 作者报告，在多个真实世界数据集上获得显著且稳健的性能改善，预训练嵌入也可作为特征接入 XGBoost 和 Random Forest。摘要未提供数据集名称、划分协议、具体基线或指标数值；改善幅度、实验协议、消融及统计信息尚未验证，不能据此作定量比较。 平台推测（待验证）：该机制可能适用于由 EEG 提取的表格特征，例如频带功率或统计特征，以缓解特征冗余及人工筛选负担，而非直接处理原始 EEG 时序。可复用部分是特征选择与低维嵌入流程；需针对 EEG 改造特征归一化和对比样本构造，并核对其监督与数据规模要求。低信噪比、被试差异、通道变化及小样本可能使表示保留身份或采集条件信息，而非任务信息。一个可检验的小实验是在固定的 Cross-subject 划分下，仅用训练被试拟合特征处理和表示学习流程，比较原始特征、常规降维特征及 ReConTab 嵌入接入同一分类器的表现。该实验属于迁移假设，不是论文已验证结果；已有 EEG 相关工作尚未检索确认。