DR-FER：面向面部表情识别的判别性与鲁棒性表征学习

基于摘要分析。DR-FER 研究面部表情识别（FER）中细微表情差异与主观标注带来的双重挑战，尝试在仅使用原始标注作为监督来源的条件下，统一学习具有判别性和鲁棒性的表征。其主要研究对象是面部图像，而非 EEG 或 BCI。 方法包含三个相互配合的机制：以 masked image modeling（MIM，掩码图像建模）作为辅助任务，引导网络发现与表情相关的面部区域；通过类别感知的自步学习调度，挖掘高质量标注的简单样本及可能误标的困难样本；利用基于检索相似度的重标注策略修正困难样本标签。作者将 FER 分类器判别能力的增强视为连接两类学习目标的桥梁，主张二者能够相互促进。摘要未提供具体损失形式、掩码策略、检索特征或标签修正规则。 作者报告，在多个常用 FER 基准上的实验支持 DR-FER 的性能优势，并通过可视化及人工破坏标注的数据集实验支持其同时学习判别性与鲁棒性表征的结论。摘要未列出基准名称、数据划分、对照方法及量化指标；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：这一组合机制可能适用于具有主观或噪声标签的 EEG 情绪识别，但面部局部区域与 EEG 时空信号的结构并不等价。可复用的是辅助掩码任务与样本质量调度的思路，需改造信号掩码方式、编码器及检索相似度。低信噪比、跨被试差异、通道配置变化和小数据可能使检索主要反映个体或采集特征；困难样本也未必是误标样本，自动重标注可能放大错误。一个可证伪的小实验是在固定跨被试划分和可控训练标签噪声下，比较基础分类器、加入掩码任务及完整组合方法，同时检查分类表现与重标注正确性。已有 EEG 相关工作尚未检索确认。