跳到正文

算法、任务与模态

Diffusion 最新动态

Diffusion 研究索引；按可核对的标签归档，不以热度评价质量。

132 条精选近 30 天 98 条共收录 155 条

更新

精选归档 · 第 7 页

9月26日周四第 121–132 条
  1. OpenReview · EEG76

    基于 EEG 嵌入与引导扩散的视觉解码和重建

    基于摘要分析。该研究针对 EEG 视觉解码与图像重建，提出端到端零样本框架：通过 Adaptive Thinking Mapper（ATM）将神经信号映射到与 CLIP 嵌入共享的子空间，再用两阶段、多路引导的扩散生成策略结合高层语义与低层视觉信息。 机制方面，第一阶段将 EEG 嵌入与高层 CLIP 嵌入对齐，并通过先验扩散模型将 EEG 嵌入细化为图像先验；同时从 EEG 解码模糊图像，以保留低层特征。第二阶段将高层 CLIP 嵌入、模糊图像以及从 EEG 潜变量得到的文本描述共同输入预训练扩散模型。其方法特点是以互补条件引导生成，而非仅依赖单一语义嵌入。摘要未说明 ATM 的具体结构、对齐损失、文本描述生成方式及各模块的训练或冻结策略，相关细节尚未验证。 作者报告，该框架在零样本视觉分类、检索和重建任务上达到 SOTA，并在 MEG 数据模态上展示了适用性；作者还分析了不同时间窗与脑区对解码和重建的影响。但摘要未提供数据集、被试数、具体指标、数值或对照基线，也未明确零样本的类别划分及被试内、跨被试或跨会话设置，因此不能据此判断性能提升幅度或泛化范围。 复现时应重点核对零样本训练与测试划分、视觉刺激及 EEG 预处理、扩散模型的预训练来源，以及高层嵌入、模糊图像和文本描述各自的贡献。图像生成的语义一致性与 EEG 所支持的细节恢复能力需分开评估，生成图像逼真不直接等同于忠实重建。摘要提供了代码仓库链接，但代码可用性、运行条件、实验协议、消融及统计信息尚未验证。作者提出的 BCI 应用潜力也不等同于已完成在线或实际应用验证。

    阅读价值：值得阅读的具体原因是其将 EEG 对齐的高层语义、低层模糊图像与潜变量生成的文本描述共同用于扩散重建，可重点核对各引导信息的贡献及零样本评估协议；作者报告的性能优势尚需全文验证。

  2. OpenReview · State space models75

    MVGamba：将 3D 内容生成统一为状态空间序列建模

    基于摘要分析。MVGamba 针对 3D Gaussian 重建中的多视角不一致与纹理模糊问题，提出基于类 RNN 状态空间模型（SSM）的轻量多视角 Gaussian 重建器，并结合现成的多视角扩散模型，统一处理单张图像、稀疏图像或文本提示驱动的 3D 内容生成。 核心机制是沿序列传播包含多视角信息的因果上下文，支持跨视角自细化，同时以线性复杂度生成用于细节建模的长 Gaussian 序列。作者将既有方法的问题归因于采用计算密集型架构时对多视角信息传播的妥协；这一解释及其因果证据仍需正文核对。摘要未给出具体序列组织、SSM 实现、损失函数及训练配置。 作者报告，在所评估的各类 3D 内容生成场景中，MVGamba 优于先进基线，模型规模约为对照的 0.1 倍。摘要未明确该比例对应哪些模型，也未提供数据集、划分、评价指标或具体分数，因而不能据此推断推理速度或显存收益。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但代码内容与复现条件尚未核验。 平台推测（待验证）：可迁移假设是，SSM 的递归上下文传播或可用于 EEG 长时序建模；原方法依赖多视角图像结构及 3D 重建目标，并不直接对应 EEG 监督。可借鉴状态传播模块，但需重新设计时间与通道的序列组织、输入表征和任务输出，不能直接沿用 Gaussian 生成头。低信噪比可能使状态累积噪声，跨被试与通道差异可能破坏上下文一致性，小数据也可能限制训练。一个可证伪的小实验是在固定 EEG 数据划分与训练预算下，对比保留状态传播和重置状态的模型，检验较长上下文是否稳定改善任务指标。尚未检索确认已有 EEG 相关工作。

    阅读价值：值得阅读其以 SSM 传播跨视角上下文并生成长 Gaussian 序列的机制；作者报告以约 0.1 倍模型规模优于对照，但具体评估协议与 EEG 迁移价值尚未验证。

9月23日周一
  1. OpenReview · Representation learning76

    通过低维建模理解基于扩散模型的表征学习

    基于摘要分析。研究探讨以生成为目标的 diffusion models 为什么、以及在何种条件下能够通过自监督学习获得高质量表征，提出其能力源于噪声控制的去噪目标对图像数据低维分布的学习，并从后验估计和参数共享两个角度解释这一机制。 作者报告，表征学习性能随噪声水平变化的情况，与相应后验估计的质量密切相关。基于这一观察，论文提供理论分析，解释表征表现随噪声尺度变化的单峰动态，以及去噪过程如何形成有意义的表征。摘要还指出，扩散模型内在的参数共享机制能够解释其相对传统 denoising auto-encoders 的表征学习优势；具体共享方式、理论假设及对照条件尚未验证。 摘要未提供数据集、数据划分、具体指标或结果数值，因此目前只能确认作者提出的机制解释与定性结论，不能判断优势幅度或适用范围。实验协议、消融及统计信息尚未验证；阅读全文时需重点核对低维分布假设、后验估计质量的测量方式，以及噪声尺度和参数共享各自的贡献。 平台推测（待验证）：若 EEG 中存在可稳定恢复的低维任务相关结构，这一机制可能为自监督去噪中噪声强度的选择提供分析视角，但图像领域结果不等于 EEG/BCI 有效。可复用去噪目标与跨噪声尺度参数共享的思路，输入表示和噪声模型则需适配 EEG 的时序、通道结构及生理噪声。低信噪比、跨被试差异、通道变化与小数据可能使低维结构估计不稳定，或使表征偏向非任务相关成分。一个可检验的假设是：在固定被试内划分、相同训练数据与模型容量下，扫描噪声尺度并比较共享参数模型与分别训练的去噪模型，观察去噪质量和下游 MI 表征表现是否呈现一致变化。相关 EEG 工作尚未检索确认。

    阅读价值：该研究以低维分布建模和后验估计解释扩散模型的表征学习能力，值得核对噪声尺度与表征质量之间的理论联系，以及参数共享相对去噪自编码器的作用证据。

9月17日周二
  1. OpenReview · EEG71

    NECOMIMI：基于扩散模型的神经认知多模态 EEG 引导图像生成

    基于摘要分析。NECOMIMI 研究如何利用 EEG 信号生成图像，提出结合 NERV EEG encoder 与扩散模型的框架，将研究任务从 EEG-image 分类扩展到图像生成。研究同时提出 Category-based Assessment Table（CAT）Score，以语义概念评价 EEG 生成图像，并在 ThingsEEG 数据集上建立评估基准。 技术机制方面，摘要明确了 EEG 编码器和扩散生成模型两个核心组成部分，但未说明编码表示如何接入扩散模型、是否使用其他模态作为条件，以及训练目标、预训练来源和推理流程。因此，目前可以确认的是 EEG 引导图像生成这一方法方向，尚不能据此重建完整实现。摘要将既有工作概括为主要通过对比学习进行 EEG-image 分类，这属于作者对相关工作的定位，不等于所有既有研究都局限于分类。 结果方面，作者报告 NERV EEG encoder 在 2-way、4-way 和 200-way 零样本分类任务中达到 SoTA，并在其提出的 CAT Score 上取得领先结果；摘要未提供具体分数、比较基线、候选类别构造或数据划分，无法判断这些结论适用于何种被试内、跨被试或跨会话协议。分类表现与生成图像质量是不同评估维度，不能相互替代。 作者报告，模型倾向于生成风景等抽象或概括性的图像，而非具体对象，并将这一现象联系到 EEG 噪声较高、分辨率有限带来的视觉还原挑战。这提示阅读时应区分语义层面的匹配与具体对象细节的恢复，但该现象是否源于 EEG 信息限制、生成模型先验或训练设计，尚需正文证据。 复现需核对 ThingsEEG 的预处理与划分、EEG 与图像的配对方式、零样本任务定义、扩散模型条件接口，以及 CAT Score 的计算规则和评价可靠性。实验协议、消融及统计信息尚未验证；摘要中的图像生成结果也不能直接作为实际 BCI 应用有效性的证据。

    阅读价值：值得阅读的具体原因是其将 EEG 与视觉表示的关联扩展到扩散式图像生成，并提出语义概念评估指标 CAT Score；作者报告的抽象化生成倾向也提供了检查语义一致性与具体对象还原能力的切入点，但性能及评估有效性尚需全文核验。

7月21日周日
  1. OpenReview · State space models70

    基于状态空间模型的稀疏追踪真实感全身动作生成

    基于摘要分析。该研究针对从稀疏追踪信息生成真实感、准确全身姿态的问题，提出条件扩散模型 Motion Mamba Diffusion（MMD），结合状态空间模型（SSM）的序列建模能力与扩散模型的生成能力。主要研究对象是人体动作生成，而非 EEG 解码或 BCI。 技术机制：稀疏输入使全身动作重建成为欠定问题，人体复杂结构又增加了空间建模难度。MMD 使用双向 Temporal Mamba Module（TMM）建模动作序列，并通过 Spatial Mamba Module（SMM）增强单帧内的特征。摘要支持其分别处理时间依赖与帧内空间关系，但未说明具体条件输入、空间遍历方式、损失函数、训练过程或扩散采样策略。 结果与复现：作者报告，在大型动作捕捉数据集 AMASS 上，该方法相较近期方法具有更高的准确性与平滑性，并达到新的最先进性能；作者同时报告模型可实时运行。摘要未给出指标数值、数据划分、对照方法、运行硬件或延迟，因此这些结论的适用范围尚待核对，实验协议、消融及统计信息尚未验证。材料仅承诺论文接收后公开代码，不能据此认定代码已发布或论文已接收。 平台推测（待验证）：可迁移的假设是，将时间序列建模与帧内空间特征增强分开处理，可能为 EEG 的时间依赖和通道关系建模提供参考。该假设依赖多通道时序数据及明确的监督目标；人体关节结构不能直接等同于 EEG 通道结构，需要改造空间组织方式、输入条件与输出目标。低信噪比、跨被试差异、通道布局变化及小数据规模都可能使收益消失，双向建模还需明确允许使用的时间窗口，不能直接视为因果在线解码。一个可检验的小实验是在固定 EEG 数据划分和相同训练预算下，对照仅含时间模块与加入通道空间模块的模型，检验空间增强是否带来稳定增益；这并不等于验证完整 MMD。相关 EEG 工作尚未检索确认。

    阅读价值：值得关注其将双向时间建模与帧内空间特征增强结合到条件扩散模型的机制，但作者关于精度、平滑性与实时性的结论仍需核对完整评估协议，不能据此认定其对 EEG/BCI 有效。

1月1日周一
  1. OpenReview · Representation learning71

    基于扩散的因果表征学习

    基于摘要分析。该研究面向通用因果表征学习，提出 Diffusion-based Causal Representation Learning（DCRL），利用扩散表征在潜空间中发现因果结构，并在弱监督设置下开展初步概念验证；研究对象并非 EEG 或 BCI。 作者将既有以 Variational Auto-Encoders（VAEs）为主的方法局限概括为：表征来自点估计，且处理高维数据的能力受限。DCRL 提供单维与无限维潜编码，以编码不同层次的信息。摘要未解释两类编码的具体构造、扩散过程与因果发现模块的连接方式，也未给出损失函数、训练及推理流程，相关机制尚需全文核对。 作者报告，在所考察的弱监督实验中，该方法识别潜在因果结构和因果变量的表现与对照方法相当。摘要未提供数据集、监督信号形式、对照方法名称、评估指标或数值，因此不能据此认定其优于 VAE 方法。实验协议、消融及统计信息尚未验证；复现还需核对数据生成或采集条件、因果识别假设及实现细节。 平台推测（待验证）：若弱监督信息能够约束潜在因果因素，扩散表征可能为 EEG 中高维观测与潜在因素分离提供研究思路，但原领域有效不等于 BCI 有效。可考虑复用扩散表征与潜空间因果发现思路，EEG 输入表征和监督构造则需改造；低信噪比、通道混合、跨被试差异及小数据可能妨碍因果识别。一个可证伪的小实验是假设已知潜在因果图，生成受噪声与通道混合影响的 EEG 模拟观测，在一致数据划分和弱监督条件下比较 DCRL 与 VAE 对照的图结构恢复能力。此建议不构成已有 EEG 效果证据，相关 EEG 工作尚未检索确认。

    阅读价值：值得核对 DCRL 的扩散表征如何支持潜空间因果发现及其弱监督条件，但摘要仅报告概念验证，尚不能据此判断其对 EEG 因果表征的有效性。

10月27日周五
  1. OpenReview · EEG70

    使用潜在扩散模型生成合成睡眠 EEG 信号

    基于摘要分析。本研究针对 EEG 数据可用性不足及医疗数据共享受隐私限制的问题，探索结合 spectral loss 的潜在扩散模型，生成睡眠阶段的 30 秒合成 EEG 片段。其核心贡献是将频谱约束引入生成过程，以保持 EEG 特定频带中的结构化振荡。 机制方面，作者强调 spectral loss 对生成符合 EEG 特征的振荡结构至关重要。不过，摘要未提供潜在表示的编码方式、扩散模型结构、频谱损失的具体形式与权重，也未说明睡眠阶段是否作为生成条件；这些实现细节尚未验证。 数据与评估方面，作者使用 Sleep EDFx 和 SHHS 两个大型睡眠数据集训练模型，以 Multi-Scale Structural Similarity Metric、Frechet inception distance 及频谱图分析评估合成信号质量。作者报告，在上述生成质量评估下，模型能够产生具有适当神经振荡特征的逼真信号；摘要未给出指标数值、数据划分、被试内或跨被试协议、对照基线及统计结果，实验协议、消融及统计信息尚未验证。 证据边界方面，作者提出该方法可能缓解 EEG 数据稀缺，但摘要所述信号质量评估不能直接证明合成数据能提升睡眠分期或其他下游任务，也不能据此认定其具备隐私保护能力。复现时需核对预处理、通道配置、潜在编码与训练设置，并验证频谱约束的独立贡献、合成数据的下游效用，以及模型是否记忆训练样本；代码与模型权重的公开情况尚未验证。

    阅读价值：值得关注其以 spectral loss 约束潜在扩散模型生成睡眠 EEG 频带振荡的机制，但合成数据能否改善下游任务及保障隐私尚未验证。

9月16日周六
  1. OpenReview · Representation learning72

    作为自监督表征学习器的掩码扩散

    基于摘要分析。本文研究扩散模型的生成能力与表征学习能力之间的关系，提出 masked diffusion model（MDM），以掩码机制替代传统扩散中的加性高斯噪声，作为可扩展的自监督表征学习器。主要研究对象是医学图像与自然图像的语义分割，而非 EEG 或 BCI。 技术机制：传统去噪扩散概率模型通过加性高斯噪声构造扰动，MDM 改用掩码机制。作者据此探索生成能力与表征学习能力的关联，但摘要不足以确定掩码如何随扩散过程变化、具体预测目标、损失函数、网络结构，以及分割阶段如何使用所学表征。 结果与证据边界：作者报告，MDM 在医学图像和自然图像语义分割任务中优于既有基准，尤其在少样本场景下表现突出。摘要未提供数据集名称、少样本数量、划分协议、对照方法、指标或数值，因而无法核对优势幅度及公平比较条件。实验协议、消融及统计信息尚未验证；代码、模型权重与复现资源亦尚未验证。 平台推测（待验证）：可检验的迁移假设是，将掩码式扰动用于 EEG 自监督预训练，可能有助于学习可用于少标注任务的表征。原方法面向图像像素级语义任务，其所需数据规模与监督配置尚不明确；迁移时可借鉴掩码扰动思路，但需改造信号编码、时间或通道掩码策略及下游预测头。EEG 的低信噪比、跨被试差异、通道配置变化和小数据规模，可能使模型主要学习噪声或被试特征。一个小规模可证伪实验是：在固定 EEG 编码器、预训练数据和少标注预算下，对比掩码式与加性高斯噪声式自监督预训练，并采用严格的 Cross-subject 划分评估同一下游任务。该建议不代表已有 EEG 效果，相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读的具体原因是其以掩码机制替代传统扩散中的加性高斯噪声，探索扩散式自监督表征学习与生成能力的关系；作者报告的少样本分割优势及其对 EEG 的可迁移性仍需分别核验。

4月25日周二
  1. OpenReview · Representation learning76

    基于扩散的表征学习

    基于摘要分析。本文研究如何使扩散生成模型在无监督信号下学习可用于下游任务的表征，核心贡献是重新构造 denoising score matching（去噪得分匹配）目标，使表征编码去噪所需的信息，并允许人为控制其中保留的细节程度。原论文主要研究通用表征学习与图像分类，并非 EEG 或 BCI 方法。 机制上，作者将连续时间扩散过程表述为随机微分方程（SDE），并以可视为多尺度去噪自编码器的去噪得分匹配为基础扩展表征学习。与 GANs、VAEs 直接把潜在编码映射为数据样本的方式不同，该方法围绕去噪所需信息构造表征。摘要未提供目标函数的具体形式、编码器结构或细节控制的实现方式，尚不能确定其训练与推理成本。 作者报告，采用同一思路学习的无限维潜在编码在半监督图像分类中相对当时的先进模型取得改善，但摘要未给出数据集、标签比例、划分、对照名称或指标数值。作者还通过下游任务比较了所学表征与自编码器、对比学习系统的质量，并报告更换扩散模型的 SDE 表述后，下游收益仍然存在。上述结果的实验协议、消融及统计信息尚未验证；无限维编码的实际计算表示也需查阅全文。 平台推测（待验证）：若去噪目标能够保留任务相关信号而非仅重建噪声，这一机制可能对应 EEG 中无标签表征学习及细节保留与噪声抑制之间的矛盾。可复用的是多尺度去噪与表征目标的设计思路，需改造的是适配 EEG 时间与通道结构的编码方式及扰动过程。低信噪比可能使表征偏向伪迹，跨被试和通道配置差异可能削弱迁移，小数据条件下的训练稳定性与所需规模未知。一个可检验的假设是：在固定 EEG 数据划分、无标签预训练数据和下游标签预算下，改变细节控制设置是否改善冻结表征的线性分类表现；可与去噪自编码器和对比学习基线比较，并单独评估 Cross-subject 泛化。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是其通过重构 denoising score matching 目标学习无监督表征，并控制表征编码的细节程度；这一机制及不同 SDE 下的下游表现值得核对，但其 EEG 适用性尚未验证。

1月1日周日
  1. OpenReview · State space models70

    基于结构化状态空间模型的扩散式条件 ECG 生成

    基于摘要分析（仅提供 Highlights，未取得论文全文）。本研究面向心电图（ECG）合成，使用结构化状态空间模型支持扩散生成，并以 71 种 ECG 描述作为条件，目标是生成符合指定心电特征的信号；研究对象不是 EEG 或 BCI。 方法层面，材料明确了条件生成、扩散模型与结构化状态空间模型的组合，但尚未说明条件编码方式、状态空间模块在生成模型中的位置、训练目标及采样流程。71 种 ECG 描述的定义、组合方式与标注来源也尚未验证。 作者报告，所提模型在多种指标上优于 GAN-based models，并称其达到当前最优水平；但所用数据集、数据划分、对照模型、指标名称及具体数值未在材料中提供，因而无法判断优势幅度或比较条件。作者还报告，类别插值与 ECG 领域知识一致，心脏科医生参与的图灵测试支持生成样本具有较高质量；评估人数、盲法、判断任务与统计信息尚未验证。 阅读与复现时需核对条件一致性、信号质量的评价方法，以及训练数据和生成样本的关系。实验协议、消融及统计信息尚未验证。现有材料不足以建立具体的 EEG/BCI 迁移机制，因此不将 ECG 生成结果视为 BCI 有效性证据；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其以结构化状态空间模型支持条件扩散生成 ECG 的方法组合，以及类别插值与心脏科医生评估提供的验证线索，但性能优势及评估协议尚需全文核对。

6月14日周二
  1. OpenReview · Representation learning77

    基于扩散的表征学习

    基于摘要分析。本文研究如何让扩散生成模型在不使用监督信号的情况下学习表征，核心贡献是扩展 denoising score matching（去噪得分匹配）框架，使表征编码去噪所需的信息，而非像 GANs 和 VAEs 那样直接将潜在编码映射为数据样本。原论文主要面向通用表征学习及图像下游任务，并非 EEG 或 BCI 研究。 机制方面，摘要将连续时间随机微分方程描述的扩散模型与多尺度去噪自编码器联系起来，并提出新的去噪得分匹配目标。作者指出，这一表征学习方式允许手动控制表征所编码的细节层级；但具体目标公式、控制变量、编码结构及训练与推理流程尚未验证。作者还提出学习无限维潜在编码，摘要未说明其具体参数化及计算实现，不能据此推断模型规模。 结果方面，作者报告，该方法在半监督图像分类中相较当时的先进模型取得改进，并通过下游任务表现比较扩散得分匹配、自编码器和对比学习系统的表征质量。摘要未提供数据集、标注比例、数据划分、对照模型、评价指标或数值，因此无法判断改进幅度及不同方法的可比性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若不同噪声尺度下的去噪信息能够形成可控粒度的表征，该机制可能为 EEG 自监督学习提供候选路径，但图像结果不构成 BCI 有效性的证据。可考虑复用去噪得分匹配思想，改造适配多通道时间序列的编码器与扰动过程；低信噪比可能使模型编码伪迹，被试差异、通道布局变化及小数据规模也可能削弱表征稳定性。一个可检验的小实验是在固定 EEG 数据划分与相同标注预算下，对比该目标、自编码器和对比学习表征的冻结编码器分类表现，并检验细节控制是否改变任务信息与伪迹信息的保留程度。该方案仅为迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的具体原因是其通过改写 denoising score matching 目标学习去噪所需的表征，并讨论表征细节层级的可控性；其半监督图像分类收益及向 EEG 迁移的可行性尚需核对与验证。

1月1日周六
  1. OpenReview · Representation learning75

    使用扩散模型进行表征学习

    基于摘要分析。本文研究图像扩散模型的语义表征学习：针对 DMs 及潜空间扩散模型 LDMs 的扩散过程逐步破坏潜变量信息、缺乏语义明确表征空间的问题，提出 LRDM 框架，将独立编码器从干净图像提取的表征作为 LDM 的条件，并联合训练扩散模型与表征编码器。 核心机制是让表征学习直接服务于生成去噪过程，而非仅使用预训练自编码器的潜空间。作者还引入可处理的表征先验，以便从表征分布高效采样，在不训练额外模型的情况下实现无条件图像生成。摘要未给出先验形式、损失函数、条件注入方式及训练细节，这些内容尚未验证。 作者报告，在摘要所述图像生成评估中，采用 image-parameterized LDMs 可获得有竞争力的生成结果；LRDMs 能学习具有语义意义的表征，并支持忠实的图像重建与语义插值。摘要未提供数据集、划分、对照基线、指标或数值，不能据此量化优势；实验协议、消融及统计信息尚未验证。摘要提供了实现仓库，但代码完整性与复现条件尚未核对。 平台推测（待验证）：该机制提供的迁移假设是，生成去噪与条件表征的联合学习可能帮助 EEG 提取可重建的信号结构，但图像语义并不等于 EEG 的任务相关信息。原方法依赖预训练自编码器、干净输入及表征先验；是否需要任务标签、训练规模如何，摘要未说明。可尝试复用联合训练与表征先验的思路，但需改造时序编码器、潜空间自编码器和条件注入模块。低信噪比、跨被试差异、通道配置变化及小数据可能使表征偏向伪迹或被试身份，而非任务信息。 一个可检验的小实验是假设检验：在固定 EEG 数据划分、相同编码器与训练预算下，对比联合条件去噪表征和仅自编码器表征，以冻结表征的线性分类及重建质量分别评估任务信息与重建能力，并独立报告被试内和跨被试结果。此建议不是已验证的 BCI 效果；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其联合学习表征与生成去噪的机制，以及表征先验如何支持无需额外模型的无条件采样，但摘要尚不足以判断表征质量及向 EEG 迁移的有效性。