面向无监督骨架动作识别的渐进式语义学习

基于摘要分析。本文研究无监督骨架动作识别中实例级对比学习对簇级动作语义利用不足的问题，提出 Progressive Semantic Learning（ProSL），通过骨架编码器与语义 Codebook 的迭代更新，逐步改进自监督对比学习的伪标签生成机制。 核心机制是先利用已有对比学习方法得到初始骨架编码器，再基于其表示进行聚类，生成包含动作语义信息的 Codebook，并据此改进伪标签生成；随后迭代更新表示与语义信息。相较于依靠数据增强和 memory bank 构造正负样本的实例级学习，本文强调利用簇级信息指导训练。摘要未说明聚类算法、Codebook 更新规则、正负样本重定义方式、损失函数或迭代停止条件，这些均需全文核对。 作者报告在四个数据集的多个下游任务上达到 SOTA，但摘要未提供数据集名称、具体任务、数据划分、对照基线或指标数值，因此尚不能判断优势幅度及适用条件；实验协议、消融及统计信息尚未验证。复现需要进一步确认初始编码器的训练方式、聚类与编码器更新的调度，以及伪标签误差如何影响后续迭代。 平台推测（待验证）：该机制可能用于探索 EEG 自监督表示中实例级相似性与潜在任务语义不一致的问题，可复用的是“表示—聚类—伪标签更新”的循环，需改造的是输入编码器、信号增强及样本相似性定义。其前提是无标签表示存在相对稳定的语义簇；EEG 低信噪比、被试和通道差异及小数据可能使聚类更偏向个体或采集条件，而非任务语义，并放大伪标签错误。可在固定 Cross-subject 划分、相同编码器及训练预算下，对比实例级自监督基线与加入该循环的方法，仅用训练部分生成 Codebook，核对下游性能与簇的任务／被试关联。上述迁移尚未验证，已有 EEG 相关工作尚未检索确认。