Rank-N-Contrast：面向回归的连续表征学习

基于摘要分析。该研究针对通用深度回归中表征碎片化、难以体现连续目标顺序的问题，提出 Rank-N-Contrast（RNC）：依据样本在目标空间中的排序进行对比学习，使表征学习显式利用回归目标的连续顺序结构。原论文研究对象覆盖计算机视觉、人机交互和医疗健康回归任务，并非专门的 EEG 或 BCI 方法。 机制上，RNC 的重点是将目标排序用于样本间的对比约束，而不只依赖端到端回归目标间接塑造表征。作者报告通过理论与实验证明，RNC 能使所学表征具备与目标顺序一致的期望次序；该保证的数学定义、成立条件、具体损失及训练流程尚需全文核对。 作者报告，在上述领域的五个真实世界回归数据集上，RNC 达到当时最先进性能，并改善数据效率、对 spurious targets 和数据损坏的鲁棒性，以及分布偏移下的泛化。摘要未提供数据集名称、具体指标、划分协议、基线和数值，故无法量化改进或比较不同协议；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务具有可靠的连续目标标注，RNC 的目标排序约束可能用于缓解回归表征不连续的问题。可复用的是基于目标排序的对比学习思路，需适配的是 EEG 编码器、距离度量与样本构造；其对监督质量和训练规模的依赖尚待核对。低信噪比、标签噪声、跨被试差异、通道配置变化及小样本可能使排序约束不稳定，甚至强化与目标相关的混杂因素。一个可检验的小实验是：在固定 EEG 编码器、回归头及训练数据的条件下，比较有无 RNC 约束的模型，采用被试隔离的 Cross-subject 划分，检验回归误差及表征排序一致性是否同时改善。已有 EEG 相关工作尚未检索确认。