PRISM：学习用于可迁移骨架动作表示的共享基元空间

基于摘要分析。本文研究骨架动作理解中的长尾标签、组合运动与视角变化问题，提出 PRISM（PRImitive-centric Skeleton Modeling）：通过动作生成目标学习共享运动表示，再迁移到动作分类和逐帧检测，以减少不同任务各自训练造成的表示割裂。 核心机制是将动作序列表示为基元系数空间中的轨迹，用系数描述一组学习得到的原子运动基元对观测动作的贡献。结构化分解模块通过动作生成学习这一表示，作者将其描述为具有物理依据且视角不变。下游通过轻量任务头顺序迁移共享表示，而非强制各任务联合训练。摘要未给出分解约束、损失形式、基元学习细节及迁移时的参数更新方式。 作者报告，在所评估的长尾和多标签数据集上，PRISM 持续改善性能，并支持对组合动作与稀有动作进行可解释分析；但摘要未提供数据集名称、划分、对照基线、具体指标或数值，因此无法判断收益幅度与跨任务泛化边界。实验协议、消融及统计信息尚未验证，复现仍需核对全文与实现条件。 平台推测（待验证）：可迁移的机制假设是，以少量可组合基元及其时序系数缓解运动想象 EEG 中类别样本有限、共享时序结构难以复用的问题。但原方法依赖骨架运动数据及动作生成目标，不能直接视为 EEG 解码方法；可考虑复用基元字典与系数轨迹的表示思想，而输入编码、生成目标及物理约束均需改造。EEG 的低信噪比、跨被试差异和通道配置变化可能使基元主要表征噪声或个体特征，而非任务相关活动。一个可检验的小实验是在固定跨被试划分、相同编码器及训练预算下，对比加入与不加入基元分解的 EEG 表示，检查分类收益与基元稳定性；这仅是迁移假设，已有 EEG 相关工作尚未检索确认。