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。

175 条精选近 30 天 56 条共收录 213 条

更新

精选归档 · 第 9 页

1月1日周日第 161–175 条
  1. OpenReview · Representation learning72

    重新审视持续表征学习中的监督作用

    基于摘要分析。本文研究模型依次学习多个任务时，监督学习与自监督学习的表征迁移能力差异，并重新审视多层感知机（MLP）投影头的作用。作者报告，在其持续表征学习实验中，增加 MLP 头的监督模型可以优于自监督模型，但摘要未提供任务序列、评估协议或具体指标，不能据此推断普遍优势。 核心机制与对照：研究出发点是，自监督表征的迁移优势可能部分来自 MLP projector，而不只是监督信号的差异。作者据此检验在人类标注监督之外加入 MLP 头，能否改善表征质量，并强调投影头对连续任务间特征迁移的重要性。摘要未说明投影头结构、损失函数、训练方式，以及表征从哪个位置提取；监督与自监督模型的骨干、数据和计算预算是否匹配，实验协议、消融及统计信息均尚未验证。 复现条件：摘要提供了 GitHub 代码链接，可作为后续核对实现的入口，但代码内容、环境依赖及结果可复现性尚未验证。阅读全文时应区分表征迁移表现、当前任务性能与旧任务保持能力，避免将这些目标视为同一指标。 平台推测（待验证）：假设该机制在 EEG 上成立，MLP 投影头可能是跨会话或连续任务表征学习中值得控制的变量，而非直接将自监督优势归因于标签缺失。可复用的是投影头对照思路；需适配 EEG 编码器、任务序列及标签条件。低信噪比、通道变化、被试差异和小样本可能使原领域收益失效。一个小规模可证伪实验是固定 EEG 骨干、数据划分与训练预算，分别比较监督和自监督设置下有无 MLP 头的表现，并独立评估跨会话迁移与旧任务保持；若收益不稳定，则不支持该迁移假设。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其监督与自监督对照是否匹配多层感知机投影头配置，以辨别持续表征学习中的迁移收益来自监督方式还是投影头；摘要提供了代码链接，但具体实验协议尚未验证。

  2. OpenReview · Representation learning79

    基于核的非参数表示学习

    基于摘要分析。本文研究如何在神经网络之外，利用核方法从无标签数据中学习表示，提出两种使用对比损失的核自监督学习（SSL）模型，以及一种通过嵌入与重构数据学习表示的 Kernel Autoencoder（AE）。其贡献包括模型构造、适用于这些表示学习模型的新表示定理，以及泛化误差界。 技术上，作者指出，监督核机器中的经典表示定理并不总能直接用于自监督表示学习；新定理说明，所提出核模型学到的表示可以通过核矩阵表达。这为模型的理论分析与计算实现提供了依据，但摘要未给出核函数、对比样本构造、具体损失形式、优化算法或重构目标的细节，不能据此还原实现。 作者报告在小数据条件下开展了实证评估，并与基于神经网络的模型进行了比较；摘要未提供数据集、样本规模、划分方式、对照模型或数值结果，因此尚不能判断其性能优势及适用边界。实验协议、消融及统计信息尚未验证。复现前需核对正文中的核选择、超参数、计算成本及理论界成立的假设。 平台推测（待验证）：核矩阵表示与无标签学习机制可能对应 EEG 标注有限时的表示学习需求，但原领域有效不等于 BCI 有效。可复用的是核表示与 SSL／AE 框架，需要改造的是 EEG 窗口间相似性、对比样本关系或重构对象；低信噪比、跨被试差异和通道配置变化可能使核相似性偏向噪声或个体特征，核矩阵的存储与计算成本也需核对。一个可检验的假设是：在固定数据划分和标签预算下，使用训练集无标签 EEG 学习核表示，能否比同核的直接监督分类改善下游 MI 分类。可先进行小规模被试内对照，独立划分训练与测试数据，再考察跨被试稳定性；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其针对自监督表示学习重新建立的核方法表示定理与泛化误差界，以评估小数据条件下神经网络之外的表示学习路线，但具体实验效果及 EEG 适用性尚未验证。

  3. OpenReview · Representation learning70

    面向语言识别的标签感知语音表征学习

    基于摘要分析。本文研究语言识别这类非语义语音任务的表征学习，提出 Label Aware Speech Representation（LASR）学习框架，将语言标签信息融入自监督预训练，再对所得语音表征进行下游微调。 核心机制是在自监督损失之外引入基于 triplet 的目标函数，使预训练同时利用原始语音和语言标签。其主要区别在于，不仅使用分类器进行监督式嵌入提取，也不只依赖无标签数据进行自监督学习，而是在预训练阶段结合两类信号。摘要未说明 triplet 的构造、采样策略、损失权重或具体自监督任务，这些实现条件尚未验证。 作者报告，在两个公开数据集 FLEURS 和 Dhwani 的语言识别实验中，LASR 优于所比较的最先进系统；摘要未提供具体指标、数值、数据划分与基线配置，因而无法判断提升幅度及比较条件。作者还报告了对标签噪声、标签缺失的鲁棒性分析，以及在多语言语音识别任务中的应用，但相关实验协议、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，任务标签约束与自监督目标结合，可能帮助 EEG 表征保留与任务有关的区分信息；这并不代表语音领域结果已经适用于 BCI。可复用的是联合训练思路，需改造的是 EEG 编码器、自监督任务及 triplet 采样规则。低信噪比、小样本以及被试或通道差异可能使标签约束学习到非任务特征。一个可检验的小实验是在固定 Cross-subject 划分下，以相同编码器和微调预算比较纯自监督预训练与加入任务标签 triplet 目标的预训练，并仅在训练集内改变标签噪声或缺失比例。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 LASR 如何将语言标签引入自监督预训练，以及标签噪声与缺失条件下的鲁棒性分析；其对 EEG 表征学习的价值尚未验证。

  4. OpenReview · Representation learning74

    面向 CAD 的自监督表征学习

    基于摘要分析。该研究面向计算机辅助设计（CAD）中的参数化边界表示（B-Rep），研究如何利用大量无标签 CAD 几何数据，缓解监督学习任务中标注数据规模小、任务专用标签昂贵的问题。核心贡献是学习一种混合隐式/显式的表面表征，并通过预训练支持下游监督学习。 技术上，研究对象是 CAD 原生格式的 B-Rep 几何，而非神经信号或 BCI。摘要将隐式与显式表面表示的结合列为方法特点，但未说明两类表示如何融合、自监督目标如何构造，以及预训练与下游任务的衔接方式；网络结构、损失形式和训练配置尚未验证。该方法依赖可用于预训练的无标签 CAD 几何数据，其数据结构与 EEG 时序信号存在明显差异。 作者报告，该预训练显著改善少样本学习性能，并在若干现有 B-Rep 基准上取得最先进性能。摘要未提供基准名称、任务类型、数据划分、标注预算、对照方法或具体指标，因此尚不能核对提升幅度，也不能判断不同评估协议下的可比性。实验协议、消融及统计信息尚未验证。 对 BCI 而言，目前材料仅支持关注“利用无标签数据改善少样本监督学习”这一研究方向，尚不足以建立混合表面表征与 EEG 瓶颈之间的具体机制对应关系，不据此推断 EEG 效果或提出复现实验方案。已有 EEG 相关工作尚未检索确认；原方法复现所需的数据处理、实现与预训练配置也需查阅全文后核对。

    阅读价值：值得关注其以无标签 B-Rep 几何预训练支持少样本监督任务的混合隐式/显式表征思路，但具体机制、基准结果及其与 EEG 的对应关系尚未验证。

  5. OpenReview · Representation learning71

    用于语言识别的标签感知语音表征学习

    基于摘要分析。本文研究语言识别等非语义语音任务的表征学习，提出 Label Aware Speech Representation learning（LASR），在自监督预训练中引入语言标签信息，结合有监督表征提取与自监督学习的优势。主要研究对象是语音语言识别，而非 EEG 或 BCI。 核心机制是在自监督损失之外加入基于 triplet 的目标函数，使预训练同时利用原始语音及语言类别监督。摘要未说明 triplet 的构造与采样规则、损失权重、自监督目标类型、模型结构或预训练规模，这些实现条件尚未验证。 作者报告，在两个公开数据集 FLEURS 和 Dhwani 的语言识别实验中，LASR 的识别表现优于其比较的 SOTA 系统；摘要未提供具体指标、数值、基线名称或数据划分，因而不能判断提升幅度及不同协议下的可比性。作者还报告了针对噪声标签、缺失标签的鲁棒性分析，以及 ASR 任务分析，但摘要不足以确定这些分析的具体结果。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其“自监督目标结合标签驱动的 triplet 约束”可能对应 EEG 中标签有限、表征缺少任务判别性的问题，前提是具有可用于自监督训练的信号和部分可靠任务标签。可复用的是联合训练思路；语音编码器、信号预处理、样本增强及 triplet 采样需针对 EEG 改造。低信噪比、被试或通道差异可能使距离约束学习到非任务因素，小数据下的 triplet 构造也可能不稳定。一个可检验的小实验是在固定跨被试划分与相同编码器条件下，对比纯自监督预训练和加入任务标签 triplet 目标的预训练，并逐步减少可用标签或注入标签噪声，检验判别性能与稳定性是否改善。该实验仅为迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注的是 LASR 将语言标签的 triplet 目标与自监督预训练结合，并分析标签噪声与缺失情形，为评估有限标签下的表征学习提供了具体机制，但其 EEG/BCI 适用性尚未验证。

  6. OpenReview · Representation learning74

    CoBERT：通过代码表征学习进行自监督语音表征学习

    基于摘要分析。该研究面向语音表征学习，提出 Code BERT（CoBERT）：将语音转为离散代码序列，再从原始语音的掩码视图预测代码表征，以构建自监督学习目标。其主要研究对象是语音，而非 EEG 或 BCI。 核心机制建立在语音可由有限语音单位及其离散代码表示的假设上。与教师和学生使用同一模态的既有自蒸馏方法不同，CoBERT 的预测目标来自另一种表征模态，即离散代码的表征，而输入仍是经过掩码处理的语音。摘要未明确代码生成方法、代码表征模型的训练方式、损失函数或掩码策略，这些技术细节尚未验证。 作者报告，CoBERT 在自动语音识别（ASR）任务上超过其所比较的近期最佳性能，并在 SUPERB speech translation（ST）任务上获得显著改善。摘要未提供 ASR 数据集、数据划分、对照模型、具体指标或数值，无法据此量化增益或判断不同协议下的可比性。作者声明已发布代码和模型；实现完整性、训练资源需求、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，以离散潜在代码表征代替原始波形重建目标，可能帮助 EEG 自监督学习减少对局部噪声的拟合。可复用的是“掩码连续信号输入—预测离散代码表征”的训练框架；需改造的是 EEG 分段、通道组织、代码生成及代码表征学习模块。关键风险在于 EEG 未必具有与语音单位对应的稳定有限代码结构，低信噪比、跨被试差异、通道变化和小数据规模可能使代码主要编码噪声或被试身份。 可检验的小实验是：在固定 EEG 数据划分、编码器和训练预算下，对比离散代码表征预测与连续信号重建的自监督目标，再用相同标注量进行 Cross-subject 运动想象分类评估，检验该目标是否改善跨被试表征。此建议不代表已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其以离散代码表征作为语音掩码建模预测目标的跨模态自监督机制，但性能优势及向 EEG 表征学习迁移的可行性仍需核对全文与实验。

  7. OpenReview · Representation learning75

    通过几何协调缓解表征学习失衡

    基于摘要分析。本文研究长尾分布下自监督学习（SSL）的表征失衡问题，提出 Geometric Harmonization（GH），以类别级均匀性替代仅追求样本级均匀性的优化倾向，旨在抑制头部类别主导嵌入空间、尾部类别表征被动坍缩的现象。主要研究对象是通用表征学习，并非 EEG 或 BCI。 作者将失衡归因于常规 SSL 的样本级均匀性目标：样本数量较多的头部类别占据更大表征空间，少数类别则受到挤压。GH 在自监督表征之上测量嵌入空间的总体统计，据此推断细粒度的实例级校准，约束头部类别的空间扩张并避免尾部类别坍缩。作者称该方法不改变 SSL 设定，可低成本集成到现有方法；摘要未给出统计量、校准公式、损失形式，以及无标签条件下类别级均匀性的具体实现，均需正文核对。 作者报告，在多个基准数据集及长尾分布评估中，GH 显示出有效性和对分布偏斜的较高容忍度，并称其有利于少数类别、几乎不损害多数类别。摘要未列出数据集名称、分布构造、对照方法、评价指标或具体数值；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 自监督预训练存在任务类别不均衡，GH 的嵌入统计与实例校准机制可能用于缓解多数类别主导表征的问题。可复用部分是表征空间统计及校准思路，需改造部分是 EEG 编码器与数据增强，并核对统计估计是否主要反映被试或通道差异，而非任务类别。低信噪比、小数据和跨被试差异可能使尾部结构估计不稳定。一个可检验的小实验是在固定 EEG 数据划分和自监督基线下构造训练类别不均衡，对比加入 GH 前后的尾部类别表现与 Balanced Accuracy，确保测试协议一致、校准不使用测试标签。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 GH 如何在不改变自监督学习设定的前提下，由嵌入空间总体统计实现实例级校准，以及其对长尾类别表征失衡的改善是否适用于不同分布偏斜程度。

12月31日周六
  1. OpenReview · Representation learning72

    对比学习中的图像表征分区

    基于摘要分析。该研究针对图像对比学习中将 anchor 与 positive 表征拉近可能忽略数据增强所产生差异的问题，提出 partitioned representation，同时学习样本间的共同特征与各样本独有特征。其主要研究对象是图像表征学习，并非 EEG 或 BCI。 方法将表征划分为 content part 和 style part：前者表达类别的共同特征，后者表达各样本自身的特征，并可能表征数据增强方式。作者通过将对比学习损失分解为分别作用于两部分表征的两个项实现这一划分。摘要未提供损失公式、两部分的约束方式及具体训练流程，不能据此判断分区是否足以保证信息解耦。 评估使用 Variational AutoEncoder（VAE）与 Bootstrap Your Own Latent（BYOL）两个框架，分别考察 content/style 的可分离性与分类泛化能力。作者报告，在 VAE 框架下可以分离两类信息；在以 conventional BYOL 为对照的下游评估中，线性可分性与 few-shot learning 任务表现更好。摘要未给出数据集、划分、指标或提升数值；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 的配对增强既保留任务相关信息，又引入可识别的非任务变化，分区表征可能帮助缓解“过强增强不变性丢失有效信号”的问题。可尝试复用表征分区与损失分解思路，但需改造信号编码器和增强方式，并验证 content 是否保留任务信息、style 是否吸收增强差异。该假设依赖增强不改变标签语义；低信噪比、被试差异、通道变化及小数据可能使两部分分别编码噪声、身份或任务信息，而非预期因素。 可检验的小实验是在固定 EEG 数据划分、编码器和增强配置下，比较普通 BYOL 与分区版本的线性探测表现，并分别探测两部分对任务标签及增强类型的预测能力；若 content 的任务性能下降或两部分没有可区分的信息分工，则不支持该迁移假设。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其将共同特征与增强相关特征分开学习的损失分解机制，以及相对 conventional BYOL 的下游评估；该机制对 EEG 增强不变性与信息保留之间矛盾的适用性尚未验证。

1月1日周六
  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。

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。