CDBG：以因果为动机的双重不变性学习，应对 EEG 工作负荷识别中的拓扑与预测偏移

基于摘要分析。该研究针对 EEG 心理工作负荷识别在未见被试上的泛化问题，提出脑图双重不变性学习框架 CDBG，将被试差异引起的变化区分为类别条件下的功能连接拓扑偏移，以及表征到标签映射的预测机制偏移，并通过两阶段学习分别约束。 机制上，第一阶段采用随机边掩码，提取稀疏且具有工作负荷预测能力的图解释子结构（graph rationales），再通过工作负荷条件化的拉普拉斯谱对齐，约束不同被试间的拓扑不变性。第二阶段对图表征施加被试级 Invariant Risk Minimization（IRM），以约束各被试环境下的风险平稳性。其可核对的方法价值在于：不仅对齐脑图结构，还单独约束预测机制；但“以因果为动机”不等于已经识别或验证了工作负荷的因果机制。 作者报告，在自建空中交通管制员 EEG 认知工作负荷数据集及多个公共数据集上，采用严格的留一被试协议，CDBG 优于所比较的跨被试及图方法基线，Macro-F1 最高提升 4.23%。摘要未明确该数值表示相对百分比还是百分点，也未提供对应数据集、基线与绝对分数，因此不能作更具体的效果比较。作者还报告其图解释子结构具有神经生理可解释性，具体解释依据尚待全文核对。 复现时需核对功能脑图的构建方式、工作负荷条件化对齐的标签来源、IRM 的具体实现、两阶段训练流程，以及留出被试数据是否参与训练或模型选择。公共数据集名称、被试数、划分细节、基线配置、消融及统计信息均尚未验证；代码与复现资源的可用性也无法由摘要确认。