跳到正文

算法、任务与模态

Self-Supervised 最新动态

Self-Supervised 研究索引；按可核对的标签归档，不以热度评价质量。

189 条精选近 30 天 58 条共收录 230 条

更新

精选归档 · 第 10 页

1月1日周六第 181–189 条
  1. OpenReview · Representation learning78

    通过同步动量分组进行无监督视觉表征学习

    基于摘要分析。本文研究无监督视觉表征学习，提出 SMoG（Synchronous Momentum Grouping），通过组级对比学习结合实例级对比与聚类方法的优势，旨在减少假负样本并缓解聚类监督信号的滞后。 核心机制是保留对比学习框架，但将对比单位从单个实例替换为组；动量分组机制使特征分组与表征学习同步进行。作者认为，实例级判别过于细粒度，可能把语义相近样本当作负样本，而聚类方法的监督信号可能滞后于表征更新。摘要未提供分组规则、动量更新公式、损失形式或训练细节，尚不能确认其具体实现及适用条件。 作者报告，SMoG 在 CNN 和 Transformer 骨干上均有效，优于当时的无监督表征学习方法；在 ImageNet 线性评估中，其结果超过常规监督学习，且表征可迁移至下游任务。摘要未给出具体数值、骨干配置、数据划分、对照基线或下游任务名称，实验协议、消融及统计信息尚未验证，不能据此判断各项比较的公平性或优势幅度。 平台推测（待验证）：若 EEG 样本存在可稳定识别的潜在状态组，组级对比可能减少语义相近片段被视为负样本的问题，同步分组也可能缓解训练中表征变化导致的监督滞后。可考虑复用组级对比和动量分组机制，但需改造 EEG 编码器、信号增强与分组策略；原方法的图像增强、样本规模及潜在分组结构是否适用于 EEG 尚不明确。低信噪比、通道差异和跨被试偏移可能使分组主要捕获伪迹或被试身份，小数据也可能导致分组不稳定。 一个可检验的小实验是在固定 EEG 编码器、增强、训练预算和 Cross-subject 划分下，对比实例级对比与同步组级对比，冻结编码器进行线性评估，同时检查分组与任务类别、被试身份的关联。该实验仅用于检验迁移假设，不代表已有 BCI 效果；相关 EEG 工作尚未检索确认。

    阅读价值：SMoG 将对比单位从实例改为组，并同步更新分组与表征，为分析假负样本和聚类监督滞后提供了具体机制，但其比较优势与 EEG 迁移价值尚需验证。

  2. OpenReview · Representation learning74

    面向 CAD 的自监督表示学习

    基于摘要分析。该研究针对计算机辅助设计（CAD）原生参数化边界表示（B-Rep）中大规模数据缺少标签、已标注数据规模较小且任务专用标签获取昂贵的问题，提出利用未标注 CAD 几何进行自监督表示学习，再服务于监督学习任务。核心贡献是学习一种混合隐式/显式表面表示，研究对象是机械零件的 CAD 几何，而非神经信号或 BCI。 技术机制：摘要明确了 B-Rep 几何、混合隐式/显式表面表示以及预训练到监督任务的路径，但未说明两类表示如何结合、自监督目标、网络结构或下游适配方式。这些细节及其对几何数据结构的依赖尚未验证。 结果与证据边界：作者报告，该预训练显著改善少样本学习表现，并在多个现有 B-Rep 基准上达到最先进水平。摘要未提供基准名称、样本量、数据划分、对照方法、指标或具体数值，因此无法核对提升幅度及可比性；实验协议、消融及统计信息尚未验证。复现需取得全文并确认数据预处理、预训练目标、少样本设定及实现条件。 与 EEG/BCI 的关系：平台推测（待验证），其利用未标注数据缓解标签稀缺的思路与 EEG 小样本学习存在问题层面的对应，但摘要没有给出从 CAD 表面表示到 EEG 时序或通道结构的具体机制路径。现阶段不宜将该表示直接视为可复用的 EEG 模块，也不足以提出针对性迁移实验；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其利用未标注 B-Rep 几何学习混合隐式/显式表面表示、改善少样本监督学习的机制，但具体预训练目标与基准协议尚未验证，不能据此认定其适用于 EEG。

  3. OpenReview · Representation learning74

    混合式对比学习：时间序列的自监督表征学习

    基于摘要分析。本文研究时间序列标注不足条件下的表征学习，提出受标签平滑启发的无监督对比学习框架，以两个样本的混合构造训练数据，并将混合系数作为软目标，为时间序列表征及迁移学习提供训练信号。主要研究对象是通用时间序列与临床时间序列，而非已明确验证的 EEG 或 BCI 任务。 核心机制是把样本混合增强与对比学习目标结合：新样本由两个数据样本及混合系数生成，模型的任务是预测该混合系数，并在损失函数中使用相应软目标。摘要未给出混合操作的具体形式、对比损失公式、编码器结构及训练和推理流程，这些细节尚未验证。 作者报告，该框架在单变量和多变量时间序列实验中优于其他表征学习方法，并展示了临床时间序列迁移学习的收益。摘要未提供数据集名称、样本规模、划分方式、基线名称或指标数值，因此无法判断优势的幅度及适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 样本具有可对齐的时间轴和通道结构，混合系数软监督可能为低标注条件下的预训练提供可复用机制。但这一假设依赖样本混合仍保留可学习的信号结构；跨被试幅值差异、通道不一致及低信噪比可能使模型主要利用混合伪迹而非任务相关特征。可复用部分是混合增强与软目标训练思路，需改造部分包括 EEG 预处理、通道对齐和编码器。一个可检验的小实验是在固定跨被试划分与相同标注预算下，对比该目标和常规对比学习预训练，并检查混合强度变化对下游表现的影响。已有 EEG 相关工作尚未检索确认，以上不属于论文已验证结果。复现前需取得全文，核对损失定义、混合采样方式、数据划分与实现可用性。

    阅读价值：值得核对其以混合系数作为软目标的对比学习机制及迁移评估协议，但摘要所述通用与临床时间序列结果尚不能证明其对 EEG 表征学习有效。

1月1日周五
  1. OpenReview · EEG76

    用于自动睡眠分期的自监督 EEG 表征学习

    基于摘要分析。本文研究如何利用大量无标签 EEG 学习可用于自动睡眠分期的向量表征，提出自监督模型 Contrast with the World Representation（ContraWR），目标是在减少标注依赖的同时获得具有预测能力且对噪声稳健的特征。原论文的主要研究对象是睡眠分期，而非 BCI 控制任务。 机制上，ContraWR 利用数据集的全局统计信息，帮助区分与不同睡眠阶段相关的信号。摘要未展开全局统计的计算与更新方式、对比目标、数据增强、编码器及下游训练流程，因此不能据此确定具体损失形式或网络结构。作者希望学习到的向量特征能够替代原始信号用于睡眠分期，并在少标签和噪声场景下优于监督学习。 作者报告，在涵盖居家与实验室记录场景的三个真实 EEG 数据集上，ContraWR 的睡眠分期表现优于四种近期自监督方法；在训练标注不足 2% 的示例条件下，相对监督学习取得原文所述“4% accuracy improvement”。摘要未明确该增益是相对百分比还是百分点，也未给出对应数据集、基线分数及划分方式，故不能进一步换算或跨协议比较。作者还报告二维投影呈现有信息的特征结构，并认为模型具有噪声鲁棒性，但可视化本身不能替代定量验证。 复现时需核对数据集名称、被试与记录划分、标注比例的抽样单位、预训练数据范围、全局统计是否仅由协议允许的数据计算，以及噪声类型、强度和评价指标。实验协议、消融及统计信息尚未验证。作者提出可扩展到其他无监督生理信号学习任务，但摘要未提供其他任务的验证结果。

    阅读价值：值得阅读的具体原因是 ContraWR 利用数据集全局统计学习无标签 EEG 表征，并报告了少标签睡眠分期收益；其统计构建方式、评估划分及噪声鲁棒性证据仍需全文核对。

  2. OpenReview · EEG76

    用于自动睡眠分期的自监督 EEG 表征学习

    基于摘要分析。本研究针对自动睡眠分期依赖精细 EEG 标注、海量无标注信号难以有效利用的问题，提出自监督表征学习方法 Contrast with the World Representation（ContraWR），目标是将原始 EEG 转换为可用于睡眠分期的向量特征，并改善少标签及噪声条件下的预测表现。 核心机制：摘要说明 ContraWR 利用数据集的全局统计来区分与不同睡眠阶段相关的信号，但未提供全局统计的计算方式、对比目标、损失函数、信号分段、数据增强或模型结构。这些细节尚未验证，也不能据此判断训练过程中如何使用睡眠阶段标签。 评估与结果：作者在三个真实 EEG 数据集上进行评估，覆盖居家与实验室记录场景，并报告 ContraWR 在睡眠分期任务中优于四种近期自监督方法。作者还报告，在标注数据占比低于 2% 的条件下，相较监督学习获得“4% accuracy improvement”；摘要未明确该数值是相对提升还是提高 4 个百分点，具体数据集、划分及监督基线也尚未验证。作者展示了二维投影中的表征结构，并认为方法具有噪声鲁棒性；投影结构本身不能替代下游预测或鲁棒性评估。 证据边界与复现条件：数据集名称、通道配置、被试数量、Within-subject 或 Cross-subject 协议、标注子集抽样方法、噪声类型及强度、消融与统计信息尚未验证。复现应优先核对全局统计的估计范围、预训练与下游评估的数据划分，以及自监督和监督基线是否采用一致的标注预算。 研究主要对象是 EEG 睡眠分期，并非 BCI 控制任务。作者提出向其他无监督生理信号学习任务推广，并将任务特定数据增强及自监督与监督方法结合列为未来方向；摘要未提供其他任务上的验证结果。

    阅读价值：值得阅读的是 ContraWR 利用数据集全局统计学习无标注 EEG 表征的机制，以及作者报告的少标签睡眠分期优势；具体对比协议与噪声鲁棒性证据尚需全文核对。

  3. OpenReview · EEG74

    EEG 数据上的自监督学习

    基于摘要分析。该研究针对临床 EEG 标注依赖专业知识、耗费人工时间而无标签数据相对丰富的问题，采用对比式自监督学习提取 EEG 表征，并在基于 EEG 的睡眠分期和病理检测两个任务上评估其分类价值。 核心思路是先从无标签 EEG 中学习结构，再使用自监督学得的特征训练线性分类器，以减少下游任务对标签的依赖。摘要明确说明采用对比式方法，但未提供正负样本构造、信号窗口、数据增强、损失函数、编码器架构及预训练细节，这些机制尚未验证。 作者报告，在低标签数据条件下，基于自监督特征的线性分类器持续优于纯监督深度神经网络；在全部标签可用时，取得具有竞争力的表现。摘要未提供具体指标、数值、数据集、被试规模，也未说明采用被试内、跨被试或跨会话评估，因此不能据此判断收益幅度或泛化范围。“全部标签”仅指研究所用评估条件，不代表任意 EEG 任务上的充分监督效果。 该工作的直接证据限于睡眠分期和病理检测，不等同于已验证 BCI 解码收益。复现时需核对无标签预训练与下游评估的数据划分关系、标签预算设置、监督基线的训练配置，以及线性分类器的拟合方式。实验协议、消融及统计信息尚未验证，代码与数据可获取性也尚未验证。

    阅读价值：值得阅读的具体原因是作者报告对比式自监督 EEG 表征配合线性分类器在少标签条件下优于纯监督深度神经网络，可作为评估标签效率的研究参照，但具体划分、基线及统计信息尚未验证。

  4. OpenReview · Representation learning73

    CuCo：基于课程对比学习的图表示

    基于摘要分析。本文研究整个图的低维表示学习，针对既有图对比学习主要关注正样本增强、负样本作用探索较少的问题，提出自监督图级表示学习框架 CuCo，以从易到难的负样本选择组织训练。原论文的主要对象是图表示与图分类，并非 EEG 或 BCI。 核心机制：作者引入四种图增强技术构造正、负样本，并使用图神经网络学习表示；随后通过评分函数对负样本难度排序，再用 pacing function 自动选择各训练阶段使用的负样本。摘要未给出具体增强操作、难度评分定义、节奏函数形式、对比损失及网络结构，这些实现细节尚未验证。 结果与证据范围：作者报告，在十五个真实世界图分类数据集上开展的实验及参数分析显示，CuCo 在分类表现和收敛方面取得积极结果。摘要没有提供数据集名称、划分协议、对照方法、具体指标或数值，因此不能据此判断提升幅度或不同任务上的稳定性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将每段 EEG 表示为以通道为节点、通道关系为边的图，CuCo 的负样本难度排序与课程调度可能用于研究 EEG 图级自监督学习中负样本选择的问题。这一假设依赖图构造、增强方式和负样本语义，需要改造 EEG 图增强与难度度量，不能直接沿用原领域结论。低信噪比、跨被试差异、通道配置变化和小样本条件可能使难度排序反映噪声或被试身份，而非任务相关信息；语义相近的片段也可能成为假负样本。可检验的小实验是在固定 EEG 图构造、编码器、增强和训练预算下，比较随机负样本选择与课程式选择，并在按被试隔离的 Cross-subject 划分中评估下游分类及收敛稳定性。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 CuCo 将图级自监督对比学习的关注点从正样本增强扩展到负样本难度排序与训练节奏控制，可进一步核对其分类表现和收敛收益是否来自课程式负样本选择。

  5. OpenReview · Representation learning80

    图上的自举式表示学习

    基于摘要分析。该研究面向图表示学习中标签昂贵、负样本数量大及复杂增强带来的计算负担，提出 Bootstrapped Graph Latents（BGRL）：通过预测输入的另一种增强视图学习表示，使用简单增强而无需与负样本进行对比。 机制与贡献：BGRL 将图上的自监督学习转化为增强视图之间的预测任务，核心价值是减少对负样本和复杂增强的依赖。摘要未说明具体图增强操作、编码器结构、预测目标、损失形式及训练更新机制，这些实现细节尚未验证，不能仅凭“自举式”名称推定。 结果与评估：作者报告，在多个既有基准上，BGRL 超过或达到先前方法的表现，内存成本降低 2–10 倍；摘要未列出对应数据集、基线、指标及内存测量条件。作者还报告，在半监督条件下，该方法可扩展至含数亿节点的图，达到作者所称的最先进表现，并优于仅依靠标签信息塑造表示的监督基线。以 BGRL 为核心的方案是 KDD Cup 2021 的 Open Graph Benchmark - Large Scale Challenge 获胜参赛方案之一；这不等同于已验证其他任务上的优势。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 通道或脑区能构成有意义的图，且增强视图保留任务相关信息，BGRL 的无负样本预测机制可能用于无标签 EEG 图表示预训练。可复用的是视图预测思路，需改造的是图构建、信号特征与增强方式；原文的超大图结果不代表小规模 EEG 数据上同样有效。低信噪比、跨被试差异和通道变化可能使增强破坏判别信息，或让表示学习到被试特征。一个可证伪的小实验是：固定 EEG 图编码器与跨被试划分，仅在训练被试上预训练，对比 BGRL、负样本对比学习及不预训练，并在相同标注预算下评估下游表现与峰值内存。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 BGRL 如何在无需负样本对比的情况下学习图表示，以及其内存收益与大图扩展条件；摘要尚不能支持其在 EEG 图表示上的有效性。

  6. OpenReview · Representation learning78

    基于流等变性的自监督表征学习

    基于摘要分析。本文研究如何从包含多个运动物体的复杂视频场景中学习自监督表征，提出以 flow equivariance（流等变性）为核心的学习框架，而非主要依赖少量物体图像的多裁剪视图不变性。其贡献是利用帧间运动关系学习特征，并将高分辨率原始视频中学到的表征用于静态图像下游任务。 核心机制是对当前帧的特征施加流变换，以预测另一帧的特征，鼓励表征随场景运动发生一致的变换。相较于强调不同视图具有相同表征，这一目标保留了帧间变化与特征变化之间的对应关系。摘要未说明流的获取方式、具体损失形式、网络结构或训练规模，这些实现条件尚未验证。 作者报告，在语义分割、实例分割和目标检测基准的 readout 实验中，该框架学到的表征优于包括 SimCLR 和 BYOL 在内的既有方法。摘要未提供基准名称、数据划分、指标数值、readout 训练设置及对照方法的训练条件，因此不能据此判断提升幅度或不同协议下的可比性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是“已知变换作用于输入时，特征应按对应规则变化”，而不是直接将视觉运动流用于 EEG。原方法依赖视频帧的空间对应与运动关系；EEG 的低信噪比、跨被试差异、通道布局变化和小数据条件可能破坏类似对应。若探索迁移，可复用等变性约束思想，但需重新定义生理与任务上合理的信号变换及特征变换。一个可证伪的小实验是在固定 EEG 数据划分、编码器与训练预算下，比较经验证不改变任务标签的时间平移等变性约束与无此约束的自监督基线，并同时检查下游表现和特征对齐误差。该假设不构成已证实的 BCI 效果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对的是以 flow equivariance 替代简单图像多裁剪的视图不变性学习，并通过静态图像下游任务检验视频表征；其向 EEG 迁移的适用性尚未验证。