通过评分规则最小化进行概率自监督表征学习

基于摘要分析。本文研究通用自监督表征学习中的维度坍塌问题，即模型未能充分利用表征容量编码信息，提出概率自监督方法 ProSMin，以概率知识蒸馏和基于适当评分规则的损失改善表征质量。原论文主要面向视觉等通用表征任务，并非 EEG 或 BCI 研究。 机制上，ProSMin 包含在线网络与目标网络，两者通过概率知识蒸馏相互学习表征分布，而非仅对齐确定性表征。作者称提供了理论论证及修改后的评分规则，但摘要未给出分布参数化、损失公式、目标网络更新方式或防坍塌条件，尚不能据此判断其具体优化性质。 评估覆盖分布内泛化、分布外检测、数据损坏、少样本学习和迁移学习。作者报告，在包括 ImageNet-O、ImageNet-C 在内的多项实验中，相较自监督基线获得更好的准确率与校准表现；摘要未提供具体数值、基线名称、数据划分及校准指标，因此无法量化增益或比较不同协议。实验协议、消融及统计信息尚未验证。摘要提供了公开代码地址，但实现与论文的一致性尚未核验。 平台推测（待验证）：假设概率表征对齐能在保留有效变化的同时减轻坍塌，该机制或可用于 EEG 自监督学习中的表征退化问题。可复用的是在线／目标网络的概率蒸馏框架，需改造的是 EEG 编码器、信号增强与概率输出设计；其对视图构造、数据规模及监督使用的依赖需查阅全文。低信噪比、跨被试差异、通道变化和小数据可能使概率分布主要刻画噪声而非任务信息。一个可证伪的小实验是：在固定 EEG 数据划分、编码器、增强和训练预算下，对比确定性自监督基线与 ProSMin，联合检查表征有效秩、跨被试下游 Accuracy 和预先指定的校准指标，检验坍塌缓解是否伴随可重复的任务收益。已有 EEG 相关工作尚未检索确认。