可微任务图学习：第一视角视频中的程序性活动表征与在线错误检测

基于摘要分析。该研究面向第一视角视频中的程序性活动，提出通过直接最大似然优化任务图边权来学习关键步骤的偏序关系，并将所得任务图用于在线错误检测；主要研究对象是视频活动理解，而非 EEG 或 BCI。 任务图以人可理解的方式表示步骤间的先后依赖。相较于此前通常采用手工设计流程从视频中提取任务图的方法，本文将边权学习转化为可使用梯度优化的问题，使其能够接入神经网络。作者还提出基于关键步骤文本或视频嵌入预测任务图的特征方法，并报告观察到涌现的视频理解能力；摘要未提供这一能力的具体评估定义。 作者报告，在 CaptainCook4D 上，根据观测到的动作序列预测任务图，相比既有方法提升 +16.7%；在程序性第一视角视频的在线错误检测中，学习所得任务图在 Assembly101-O 和 EPIC-Tent-O 上分别带来 +19.8% 和 +7.5% 的提升。摘要未明确这些提升对应的指标、相对百分比还是百分点、具体基线及数据划分，因此不能进一步换算或跨协议比较。实验协议、消融及统计信息尚未验证。摘要提供了复现实验代码地址，但代码完整性与运行条件尚未验证。 平台推测（待验证）：若 EEG 辅助任务具有明确的多步骤操作结构，可假设利用可微任务图约束上游解码结果，以缓解逐时刻预测忽略步骤依赖的问题；该迁移依赖可靠的步骤标注与重复活动序列。可复用边权学习模块，但需改造视频特征接口及 EEG 到步骤观测的映射。低信噪比、跨被试差异、通道变化与小数据可能导致步骤误识别，并将错误传递至任务图。一个可证伪的小实验是在固定 EEG 步骤解码器和相同被试划分下，对比无图约束、固定任务图与学习任务图的错误检测效果及误报情况。已有 EEG 相关工作尚未检索确认。