训练时Logit平均改善多试次神经解码

基于摘要分析。该研究针对非侵入式 BCI 信噪比受限、需要聚合同一刺激的重复试次这一问题，系统比较不同聚合位置与策略，提出将训练时 logit 平均作为非侵入式神经解码的简单候选方案。 核心机制是区分模型输入端的脑信号平均、输出端的预测平均，以及在训练过程中实施的 logit 平均，将多试次聚合明确视为架构设计选择。作者比较了六种方案，其中包括训练时 logit 平均及其引入的三种基于注意力的变体。摘要未披露具体损失函数、logit 聚合与监督的实现顺序，以及各注意力变体的结构，不能据此还原完整训练流程。 评估覆盖三个数据集、四项任务和两种分组大小；作者报告，训练时 logit 平均在七种评估设置中的六种优于其他被比较方案。在 2025 PNPL competition 的音素分类设置下，作者报告其 Balanced Accuracy 比竞赛冠军高出 17.4 个百分点，并称达到新的最佳性能。摘要未给出双方绝对分数、分组大小、被试内或跨被试协议、数据划分及显著性检验细节，因此该收益应限定于所述竞赛任务与待核对的评估条件，不能直接外推到单试次或在线 BCI。 理论上，作者将 logit 平均与联合集成训练联系起来，并认为实验结果对既有文献解释联合集成训练为何逊于独立集成的观点提出挑战；具体推导及适用条件尚需正文验证。 复现时应重点核对重复试次如何组成一组、各方案使用的信息与试次数是否一致，以及训练和推理时聚合方式是否匹配。摘要未明确具体信号模态，不能据此认定为 EEG。实验协议、消融及统计信息尚未验证。