EMCRL：用于对比表征学习的 EM 增强负采样策略

基于摘要分析。本文研究自监督对比学习中的假负样本问题，提出 EMCRL：将期望最大化（EM）引入批内负样本选择，无需标注标签地估计样本关系，以减少将语义相关样本错误推远的影响。原研究对象是句子表征与图像表征，并非 EEG 或 BCI。 机制上，EMCRL 使用 EM 估计每个样本与其对应批内负样本之间真实关系的分布，再利用估计结果优化模型参数。针对 EM 对参数初始化的敏感性，作者在分布估计中加入 random flip，以增强学习过程的鲁棒性。其主要切入点是负样本关系估计，而非重新设计正样本增强；具体分布假设、random flip 的操作方式、损失形式及交替优化流程尚未验证。 作者报告，在句子与图像表征任务的多个先进模型上开展实验，结果支持 EMCRL 的有效性；摘要未给出数据集、划分、对照基线或量化指标，因而无法判断提升幅度与适用范围。作者提供公开代码，但运行依赖、计算成本、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 对比学习的批内负样本包含相同任务状态或相似神经活动，关系估计模块可能有助于缓解错误排斥；可尝试复用 EM 负样本估计，需适配 EEG 编码器、增强方式与批次构造。该路径依赖批内关系具有可辨识结构，低信噪比、跨被试差异及通道配置变化可能使估计偏向被试身份或伪迹，小数据也可能导致估计不稳定。可在固定被试内划分、编码器、增强和批大小的条件下，对比原始批内负采样与 EMCRL，并仅在事后用标签核对假负样本识别情况，同时评估下游分类表现及多随机种子稳定性。已有 EEG 相关工作尚未检索确认。