用于对比学习中语义几何的 Anchor Divergence

基于摘要分析。本文研究同一向量表征中的相似性如何随语义语境变化，并提出 Anchor Divergences，在固定表征上指定面向特定语境的语义几何，而不局限于余弦相似度所提供的单一固定几何。原论文主要面向通用表征与检索，并非 EEG 或 BCI 方法。 核心机制是连接对比学习、指数族与信息几何，建立 anchors 上的概率分布与表征空间中 Bregman 几何之间的对应关系。按照作者的论述，建模锚点分布也就是建模几何，从而可根据对象类别、视觉风格或临床发现等不同语义关系指定相似性。摘要尚未说明锚点如何选择、分布如何估计、需要何种监督，以及训练和推理的具体流程。 作者报告，在检索实验中，Anchor Divergences 能有效且高效地指定语境相关的语义相似性。摘要未提供数据集、数据划分、对照基线、检索指标或计算成本数值，因此无法判断收益幅度与适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若已有 EEG 表征包含可区分的任务语义，该机制或可用于检验固定表征上的语义检索是否受益于语境相关几何。可复用部分是锚点分布到散度的构造；需改造部分是 EEG 锚点定义、语义监督与跨被试或通道配置的匹配。风险在于锚点分布可能主要刻画被试差异或噪声，而非任务语义，小数据也可能使分布估计不稳定。一个可证伪的小实验是在固定 EEG 编码器和相同候选库下，仅用训练集确定锚点及分布，在预先固定的跨被试划分上比较 Anchor Divergences 与余弦相似度的任务语义检索表现。已有 EEG 相关工作尚未检索确认。