REmoNet：通过多正则化自监督学习减少情绪标签噪声

基于摘要分析。该研究面向 EEG 情绪识别，针对视频观看期间情绪未必持续稳定、因而 EEG 片段与预期情绪标签可能不一致的问题，提出 REmoNet，将自监督预训练与多正则化协同学习微调结合，同时处理情绪标签噪声和原始 EEG 表征学习。 核心机制包括两种预训练任务：通过时域—频域变换进行掩码通道建模，以及情绪对比学习，用于提取与情绪相关的 EEG 表征，并捕捉时间、空间和频谱特征。微调阶段采用多正则化协同学习，利用内在相似性所提供的特征依赖信息缓解情绪标签噪声。摘要未说明掩码策略、对比样本构造、监督信息来源、正则项形式及协同学习的具体实现，这些机制细节尚未验证。 作者报告，在两个公开数据集上的评估中，REmoNet 优于现有最先进方法，体现了其同时处理原始 EEG 与噪声情绪标签的潜力。但摘要未提供数据集名称、被试数、被试内或跨被试等评估协议、指标和具体数值，尚不能判断优势幅度及适用范围。 复现时需核对标签噪声如何定义与评估、自然情绪波动与其他噪声来源如何区分，以及自监督任务和多正则化协同学习各自的贡献。还需核对数据划分、预训练与测试数据边界、低信噪比条件下的表现及统计信息；上述事项均尚未验证，不能仅凭摘要认定降噪机制或泛化能力已得到充分验证。