用于事件流时空表征学习的 Event Voxel Set Transformer

该研究针对事件相机产生的稀疏异步视觉事件流，提出 Event Voxel Set Transformer（EVSTr），旨在避免将事件投影为稠密帧带来的计算开销，并增强稀疏表征中的局部信息聚合与全局特征交互。基于摘要分析，未取得论文全文；研究对象是事件视觉，而非神经电信号或 BCI。 EVSTr 首先将事件流转换为体素集合，再分层聚合体素特征。其核心 event voxel transformer encoder 包含 Multi-Scale Neighbor Embedding Layer（MNEL），用于局部信息聚合，以及 Voxel Self-Attention Layer（VSAL），用于全局特征交互。作者另引入分段建模策略 S²TM，从连续的分段体素集合中学习运动模式，以纳入长程时间结构。摘要未说明体素划分、邻域构建、注意力计算、训练目标与分段参数，相关实现条件尚未验证。 评估覆盖物体分类与动作识别两个任务；作者还提出在具有挑战性的场景中采集的事件动作识别数据集 NeuroHAR。作者报告 EVSTr 在实验中达到当时最优性能，同时保持较低模型复杂度，但摘要未提供具体分数、复杂度指标、数据划分或对照方法，无法据此量化优势；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若目标是对 EEG 衍生的稀疏事件表示建模，多尺度邻域聚合、全局交互和分段时序建模具有可检验的机制对应，但前提是假设事件化仍能保留任务相关信息。可考虑复用上述聚合思路，需将视觉空间体素与运动结构改造为电极空间及时间邻域，并适配输入编码；低信噪比可能使事件化放大伪迹，跨被试、通道布局变化及小数据也可能削弱稳定性。一个小规模可证伪实验是在固定 EEG 任务和相同跨被试划分下，比较连续信号输入、事件化输入及加入分段建模后的表现，并检验事件化阈值敏感性。此为迁移假设，相关 EEG 工作尚未检索确认。