ICE-T：面向异构表格数据集的交互感知跨列对比嵌入

基于摘要分析。本文研究异构表格数据的表示学习，提出 ICE-T：将每一列视为一种模态，通过该列嵌入与其余列的聚合嵌入进行对比来学习表示，旨在捕获变量间交互，并避免逐列两两对比带来的高计算成本。 机制与对照：既有表格对比表示学习方法通常对原始数据行及其扰动进行对比，学习整行的联合嵌入。ICE-T 转向列级表示；作者指出，直接对各列施加两两对比损失不仅随列数增长代价高，而且不能充分捕获变量交互。作者报告，所提方法的扩展成本随列数线性增长，并允许在不依赖其余列输入的情况下获得特定列的嵌入，用于缺失值推断及列变量之间的转换。聚合方式、损失具体形式、列编码器及训练与推理条件尚未验证。 结果与证据边界：作者报告，在多种数据集上的综合评估中，ICE-T 总体优于所比较的先进方法；摘要未提供数据集名称、划分协议、指标、数值或基线明细，因而不能判断优势幅度与适用范围。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，将固定定义的 EEG 通道或频带统计特征组织为异构表格列，复用“单列—其余列聚合”对比机制，探索跨特征依赖及缺失特征推断，而非直接把原始 EEG 时序当作普通表格。该路径依赖列语义稳定及足够的联合观测，列编码与聚合模块需适配 EEG 特征结构；低信噪比、跨被试分布差异、通道不一致和小样本可能导致表示学习偏向伪迹或个体差异。可在固定跨被试划分下，比较 ICE-T、行级对比学习与无预训练基线，并施加相同的测试特征缺失条件，检验其对下游分类及缺失特征推断是否有稳定收益。已有 EEG 相关工作尚未检索确认。