面向视觉抽象推理的多样化表征学习

基于摘要分析。该研究针对视觉抽象推理中如何学习适合高层认知决策的表征，提出 Information Competition Learning Network（ICNet），在互信息约束框架下学习两组互补表征，再结合规则提取模块预测正确选项。主要研究对象是视觉抽象推理，而非 EEG 解码或 BCI。 机制上，研究以哺乳动物视觉系统背侧与腹侧并行通路为启发。ICNet 包含表征学习模块和规则提取模块：前者在不同约束下学习两组表征，通过竞争避免重复学习对方已包含的信息，降低两者的相互可预测性；随后将表征协同组合，交给规则提取模块形成离散抽象规则。摘要未提供互信息的估计方式、约束与损失的具体形式、离散规则的实现及训练细节，尚不能据此判断其优化性质或复现成本。 作者报告，ICNet 在多个视觉抽象推理数据集上取得优于对照的结果，并在分布外关系推理基准上表现出较强泛化能力。摘要未给出数据集名称、划分、对照方法或数值，实验协议、消融及统计信息尚未验证；这些结果不能直接解释为跨被试或跨会话 EEG 泛化证据。 平台推测（待验证）：可迁移的机制假设是，降低两组表征的信息冗余，可能有助于分离 EEG 中互补的任务线索，但原研究依赖视觉题目中的关系结构与选项预测目标，不能直接等同于 EEG 分类。可考虑复用双组表征竞争机制，改造输入编码器与任务输出模块；离散规则提取是否适用需另行验证。低信噪比、小数据及被试或通道差异可能使竞争约束保留噪声，或排斥两组表征共同需要的判别信息。一个可证伪的小实验是在同一 EEG 数据集、固定跨被试划分下，对比相同容量的双分支编码器加入与不加入竞争约束，检查分类表现、表征冗余及跨随机种子的稳定性。已有 EEG 相关工作尚未检索确认。