防止失效的非对比自监督学习

基于摘要分析。本文研究非对比自监督学习中的表示坍塌、维度坍塌、簇坍塌与簇内坍塌，提出避免这些失效模式的充分条件，并据此设计 projector 与损失函数，形成方法 FALCON。原论文的主要研究对象是图像表示学习，而非 EEG 或 BCI。 核心机制方面，作者报告，该设计通过归纳偏置促进表示同时具备去相关与聚类性质，而不显式强制这些性质，并从理论上论证其泛化收益。摘要未提供 projector 的具体结构、损失表达式及充分条件的适用假设，因此尚不能判断这些保证在何种数据分布与训练条件下成立。 实验方面，作者报告在 SVHN、CIFAR10、CIFAR100 和 ImageNet-100 上验证理论发现，并在聚类与线性分类任务的泛化表现上优于已有特征去相关及基于聚类的自监督学习方法。摘要未给出具体指标、数值、基线名称或数据划分；实验协议、消融及统计信息尚未验证，不宜据此推断提升幅度或跨数据集泛化能力。 平台推测（待验证）：假设 EEG 自监督表示也存在相应坍塌模式，可考察其 projector 与损失设计能否作为编码器之后的可复用模块。迁移前需核对原方法对配对视图、增强一致性、批次规模及数据簇结构的依赖，并改造图像视图构造以适应 EEG。低信噪比、被试差异、通道配置变化与小数据可能使模型优先形成被试或伪迹簇，而非任务相关表示。一个可证伪的小实验是在固定 EEG 编码器、数据增强与训练预算下，对比原自监督目标和 FALCON 设计，同时检验表示有效秩、簇结构及 Cross-subject 线性分类表现，判断防坍塌是否转化为任务收益。已有 EEG 相关工作尚未检索确认。