通过谱正则化缓解对比学习中的伪相关特征

基于摘要分析。本文研究自监督表示学习容易依赖简单、易学但与标签存在伪相关的特征这一问题，提出通过谱正则化促进特征协方差矩阵的均匀特征值谱，以鼓励更丰富的表示并缓解下游任务中的性能退化。 核心机制是将伪相关依赖与学习所得特征矩阵的谱结构联系起来：作者指出，训练早期依赖占主导的奇异模式是这一问题的关键谱特征。所提框架试图抑制谱的过度集中，且在完全自监督条件下运行，不依赖真实标签或额外信息。摘要未披露正则项的具体形式、谱估计方式、训练批次要求及与原始目标的组合方式，这些实现条件尚未验证。 作者报告，在 SimCLR 和 SimSiam 上，方法带来了持续的鲁棒性与迁移性能收益；但摘要未列出数据集、伪相关构造、划分协议、对照配置或具体指标，因此目前不能判断收益幅度及适用边界。实验协议、消融及统计信息尚未验证。材料提供了代码地址，但代码完整性与复现条件尚未核对。 平台推测（待验证）：该机制可能对应 EEG 自监督表示被被试身份、会话或采集条件等易学因素主导的瓶颈，但谱集中本身并不等于伪相关，强制均匀化也可能削弱真实任务信号。可复用部分是特征协方差谱约束；需结合 EEG 编码器、增强方式及批次内被试与会话组成调整。低信噪比、小样本及通道差异可能使谱估计不稳定，或导致噪声维度被过度保留。一个可检验的小实验是在固定跨被试划分、编码器和增强策略下，对比有无谱正则化的自监督预训练，同时检查下游任务表现、被试身份可预测性与特征谱变化。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。