ContrastCAD：基于对比学习的计算机辅助设计模型表征学习

基于摘要分析。本文研究计算机辅助设计（CAD）模型的构造序列表征：复杂形状可能对应很长的构造序列，同一 CAD 模型也可能由不同序列表达。作者提出 ContrastCAD，通过对比学习捕捉构造序列的语义信息，并提出 Random Replace and Extrude（RRE）数据增强方法，改善训练 CAD 数据分布不均衡时的学习表现。 机制上，ContrastCAD 使用 dropout 生成增强视图，而不改变 CAD 模型的形状；RRE 则是另一项面向 CAD 数据的增强方法。摘要未说明 dropout 的施加位置、对比损失形式、正负样本构造方式及 RRE 的具体操作，不能据方法名称补全实现细节。 作者报告，在所用 CAD 实验中，RRE 显著提升了 Transformer-based autoencoders 的学习表现，包括具有很长构造序列的复杂 CAD 模型；作者还报告，ContrastCAD 对构造序列的排列变化具有鲁棒性，并使相似 CAD 模型在表征空间中更紧密聚集。摘要未提供数据集名称、数据划分、具体指标、数值及统计检验信息，因此这些结论的适用范围与增益幅度尚未验证。材料提供了代码仓库，但实现内容及复现条件尚未核对。 平台推测（待验证）：可考虑迁移的是利用 dropout 构造同一样本的对比视图，而不是 CAD 专用的 RRE 操作。假设适度 dropout 能保留 EEG 的任务相关信息，该机制或可用于缓解小数据下的表征过拟合；但 CAD 的等价构造序列并不对应 EEG 的任意时间或通道排列不变性，低信噪比下 dropout 也可能破坏微弱判别信号。可在固定划分的小规模 EEG 任务上，对照相同编码器下有无 dropout 对比目标的表现，并核查增强是否损害任务标签信息。已有 EEG 相关工作尚未检索确认。