哪种掩码几何最适合 EEG 基础模型？

基于摘要分析。该研究考察 EEG 基础模型预训练中的时空掩码几何如何影响下游解码，核心贡献是在统一流程中改变掩码配置，分别在 MAE 和 JEPA 两种自监督框架下进行系统比较，减少掩码策略与骨干网络、训练目标同时变化造成的混杂。 掩码策略决定模型需要预测哪些内容，以及能够利用哪些上下文。作者将时空掩码的设计选择形式化，并据此训练不同配置的模型。摘要未披露掩码几何的具体参数、最优配置、骨干结构或损失实现，因此尚不能据此给出可直接采用的掩码方案。作者称，既有工作通常将新掩码策略与新骨干及目标捆绑引入，尚未单独消融掩码策略；这一文献覆盖判断仍需核对。 作者报告，共评估了 58 个预训练模型，评估范围为 OpenEEGBench 的 12 个数据集，采用线性探测协议。两种框架指向一致的最优掩码配置，并呈现共同的失效模式；排除这些失效配置后，性能对掩码选择较为稳健，其中 11 种 MAE 配置和 9 种 JEPA 配置与各自最佳配置的差异未达到统计显著。该结果不等于这些配置已被证明完全等效，具体检验方法及不确定性尚未验证。 作者还报告一种 JEPA 特有的失效模式，命名为 bias-inflation collapse，且标准检测器无法识别；其机制、检测依据及对下游性能的影响需查阅全文。作者报告，选择合适掩码后，可以在仅使用 REVE 预训练计算量的一部分的条件下达到 REVE 水平的下游性能，但摘要未给出具体指标、计算量比例或比较条件。 复现时应优先核对掩码配置定义、各配置间训练条件的控制、OpenEEGBench 数据划分与线性探测设置、统计检验，以及 REVE 对照的计算量口径。实验协议、消融及统计信息尚未验证，摘要也不足以判断结果在跨被试、跨会话或跨数据集协议下的适用范围。