用于自监督跨表征学习的一致性驱动协同演化

基于摘要分析。该研究面向图表图像、表格数据与可视化代码之间的跨表征理解，提出 CoCoEvolve，通过构造显式一对一对应、优化表征间的一致性，缓解原始映射一对多、监督含糊且标注成本高的问题。其主要研究对象是图表—表格—代码转换，而非 EEG 或 BCI。 方法包含三个部分：CoCoEvolve@Train 在图表—表格—代码循环中进行训练时协同演化；CoCoEvolve@Test 在推理阶段沿用同一一致性目标，进行测试时协同优化；CoCoEvolve@Eval 则覆盖三类表征之间全部六个有向跨表征任务。摘要称该方法不需要额外标注，但未说明一对一对应的构造方式、一致性目标的具体形式，以及训练与推理阶段各自更新哪些变量。 作者报告，在四个基准上，CoCoEvolve 在训练时和测试时设置中均带来性能提升。摘要未提供基准名称、数据划分、对照方法、指标及提升幅度，因此尚不能判断收益大小及其适用边界；实验协议、消融及统计信息尚未验证。复现时需重点核对对应关系的建立条件、测试时优化所需输入与计算成本，以及一致性提升是否与任务正确性同步。 该机制依赖不同表征之间可建立并检验的对应关系，不能直接视为 EEG/BCI 的有效方法。现有材料不足以建立具体迁移路径，相关 EEG 工作尚未检索确认。