Brain2Model Learning：以人类神经活动为教师训练感知与决策模型

基于摘要分析。本文研究人类感知与决策过程中的神经表征能否指导人工神经网络学习，提出 Brain2Model Learning（B2M）框架，通过对比学习或潜在表征回归引入人类神经活动作为训练指导。其主要研究对象是脑源表征对人工模型学习效率与预测表现的帮助，而非直接验证 BCI 解码性能。 机制上，B2M 将人类神经活动提供的表征作为学生模型的学习目标或约束。摘要以人脑形成低维、抽象感觉运动表征的能力作为动机，但未说明神经活动的采集模态、表征提取方式、神经数据与任务样本的对齐方式，也未给出对比学习及潜在表征回归的具体目标函数。不能据来源标签认定实验使用了 EEG。 作者提供两项概念验证：使用 recurrent neural network 完成基于记忆的决策任务，以及使用 variational autoencoder 完成面向自动驾驶的场景重建。作者报告，相较于独立训练、不接受脑源指导的网络，接受指导的学生网络可以收敛更快、预测准确性更高，或同时获得两类收益。摘要未给出各任务对应的具体收益、指标数值及对照配置，因此尚不能判断改善幅度或跨任务一致性。数据集、被试数、数据划分、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若存在与任务输入可靠对齐的 EEG 表征，B2M 的指导机制可能用于约束感知或决策模型的潜在空间；可复用的是对比学习或表征回归思路，需改造的是 EEG 表征提取、时序对齐与跨被试校准。低信噪比、通道差异及小规模神经数据可能使指导目标不稳定。一个可检验的小实验是在相同任务数据和训练预算下，对比无神经指导、真实对齐 EEG 指导与打乱配对指导，并在独立测试划分上评估预测指标及达到固定性能所需的训练步数。这仅是迁移假设，不是本文已验证的 EEG/BCI 效果；已有 EEG 相关工作尚未检索确认。代码、数据可用性及完整复现条件也尚未验证。