对齐脑与语言中的语义：用于 EEG-to-Text 生成的课程对比学习方法

基于摘要分析。该研究针对 EEG-to-Text 生成中被试依赖的 EEG 表征与语义依赖的文本表征之间的差异，提出 Curriculum Semantic-aware Contrastive Learning（C-SCL），旨在使 EEG 表征更多地按语义组织，从而支持由 EEG 信号直接生成自然语言文本。 核心机制是拉近语义相似的 EEG 表征、推远语义不相似的表征，并通过课程学习构造更有意义的对比样本对、渐进地推进训练。摘要没有说明语义相似性的具体来源、样本对构造规则、课程难度调度或损失形式，这些实现细节尚未验证。 作者报告，在 ZuCo benchmark 上，将该方法与多种模型和架构结合后，三类评估指标均获得稳定改善，并达到作者所称的当时最优水平；摘要未提供指标名称、数值或具体对照。作者还报告了单被试和低资源设置下的优势，以及零样本设置下的泛化能力。但零样本所指的泛化对象及数据划分未在摘要中明确，不能据此等同于跨被试、跨会话或跨数据集泛化。 复现时需核对 EEG 与文本的配对方式、训练与测试划分、语义监督来源、对比样本构造及课程调度，并检查生成指标与基线是否采用一致协议。作者提供了代码仓库，但代码内容、运行条件及其与论文实验的一致性尚未验证；完整实验协议、消融及统计信息也尚未验证。