EmBrace：面向统一 EEG 基础模型的集体知识融合框架

基于摘要分析。该研究针对 EEG 基础模型在不同任务上表现不一致、逐一微调以选择最优模型计算开销较大的问题，提出 EmBrace，以样本感知的中间表征融合整合多个模型的互补知识。 核心机制：作者通过实证分析观察到，没有单一 EEG 基础模型在所有任务上持续占优；任务总体表现较弱的模型仍可能在特定样本上具有优势，作者将这种互补性归因于不同架构的归纳偏置。EmBrace 因而采用以表征为中心的融合路径，将具有判别性的中间表征对齐至统一流形，按样本自适应分配多个模型的权重，并选择最兼容的模型作为承载模型。其设计旨在避开参数级或输出级对齐的约束，但摘要未说明流形对齐、权重计算及承载模型选择的具体实现，损失函数、训练流程与推理阶段的模型调用方式尚未验证。 结果与证据边界：作者报告，在多个 EEG 基准上，EmBrace 相较 SOTA EEG 基础模型持续取得改进，并在跨任务设置下表现出泛化能力。摘要未提供基准名称、任务类型、指标数值、被试规模或数据划分，不能据此判断收益大小，也不能将跨任务泛化等同于跨被试、跨会话或跨数据集泛化。 复现核对重点：需确认融合是否依赖各候选模型的任务微调、承载模型如何确定、训练与推理所需的模型数量，以及表征对齐和样本级加权各自的贡献。尤其应区分减少模型选择开销与减少整体计算成本；当前摘要不足以验证后者。实验协议、消融及统计信息尚未验证，代码、预训练权重与复现资源的可用性亦尚未验证。