ExAgt：用于交通场景表征学习的专家引导数据增强

基于摘要分析。本文研究交通场景的自监督表征学习，提出 ExAgt，将专家知识融入自动数据增强，以改善跨视图预测所学习的表征，而不依赖人工标注。其主要研究对象是交通场景，并非 EEG 或 BCI。 方法沿用跨视图自监督学习思路：对输入生成两个扰动视图，使编码器学习对这些扰动保持不变的表征。ExAgt 的增强依据包括道路基础设施、自车（EGO）与其他交通参与者的交互，以及理想传感器模型；其关键在于利用领域知识约束增强，而非仅采用通用扰动。摘要未给出具体增强算子、损失形式或编码器结构。 作者报告，将 ExAgt 应用于两种跨视图预测方法，并通过分类与聚类下游任务评估后，相比仅使用标准增强，获得了更好的表征学习效果与表征空间稳定性。摘要未提供方法名称、数据集、划分、指标数值及稳定性的定义，实验协议、消融及统计信息尚未验证。材料给出了代码仓库，但其运行条件与复现完整性尚未验证。 平台推测（待验证）：其可迁移的机制是假设领域知识能帮助区分任务相关变化与无关扰动，对应 EEG 自监督学习中增强可能破坏任务语义的问题。可复用的是专家约束增强的设计框架；交通基础设施与车辆交互规则不能直接复用，需要改为依赖 EEG 通道布局、采集特性及任务语义的约束。该假设要求这些信息可得，且增强确实保持标签语义；低信噪比、跨被试差异、通道配置变化及小数据均可能使约束失效。一个可证伪的小实验是在固定 EEG 数据划分、编码器和训练预算下，对比标准增强与专家约束增强，并分别核查被试内和跨被试下游表现。原领域结果不构成 BCI 有效性证据，已有 EEG 相关工作尚未检索确认。