跳到正文

算法、任务与模态

Contrastive Learning 最新动态

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

521 条精选近 30 天 63 条共收录 726 条

更新

精选归档 · 第 26 页

1月1日周六第 501–520 条
  1. OpenReview · State space models73

    面向多场景个性化推荐的场景自适应与自监督模型

    基于摘要分析。该研究面向用户与物品部分重叠、但分布存在差异的多场景个性化推荐，提出 Scenario-Adaptive and Self-Supervised（SASS）模型，旨在细粒度控制场景间信息迁移、利用更广泛的样本，并区分物品在不同场景下的表示。 核心机制是 Multi-Layer Scenario Adaptive Transfer（ML-SAT）模块：通过场景自适应门控单元，从全场景信息中选择并融合适合单个场景的迁移信息。训练分为预训练与微调两个阶段，预训练采用场景监督的对比学习任务，样本来自有标签和无标签数据空间；摘要未说明具体标签定义、正负样本构造及损失形式。模型在用户侧与物品侧采用对称设计，以获得场景相关的差异化表示。 作者报告，SASS 在公开与工业推荐数据集上优于所比较的方法，并在在线 A/B 测试中使 Average Watching Time Per User 提升超过 8.0%。摘要未提供数据集名称、离线指标、具体对照基线，以及在线测试规模、周期和统计不确定性，因此该收益仅能按所述推荐场景理解；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移假设是，场景自适应门控能够为 EEG 跨被试或跨会话建模选择共享信息、抑制不适用的迁移。但原方法依赖推荐中的用户—物品交互结构、场景标识及跨场景重叠，不能直接套用到 EEG。可考虑复用门控迁移与分阶段训练思想，需重设 EEG 编码器、场景定义和对比样本关系；低信噪比、通道差异与小样本可能使门控学习到被试身份而非任务信息。一个可证伪的小实验是在固定编码器和训练数据的跨会话协议下，对比无门控共享模型与场景门控模型，并保持目标会话标签使用规则一致，检验是否获得稳定收益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 SASS 如何通过场景自适应门控与场景监督对比预训练控制跨场景信息迁移，但其推荐系统收益不能直接视为 EEG 跨域建模的有效性证据。

  2. OpenReview · Representation learning72

    用于多视图表征学习的聚类引导对比融合方法

    基于摘要分析。该研究针对通用多视图表征学习中的两个问题：如何从大量无标签数据中学习抵抗噪声与视图缺失的表征，以及如何兼顾不同视图的一致性与互补性。作者提出 CLustering-guided cOntrastiVE fusioN（CLOVEN），将深度融合、聚类引导和非对称对比策略整合为统一方法；原研究对象并非 EEG 或 BCI。 机制上，深度融合网络将视图特有表征汇聚为视图共有表征，以提取高层语义；聚类任务用于引导融合网络，避免平凡解；非对称对比策略则对齐共有表征与各视图特有表征，以协调一致性与互补性。摘要未给出具体网络结构、聚类目标、对比损失及训练流程，尚不能核对这些模块如何共同避免信息丢失或表征退化。 作者报告，在五个数据集的聚类与分类评估中，CLOVEN 优于 11 种多视图学习对照方法，并在视图不完整情境下表现出更好的抗噪能力；可视化分析显示其能够保留视图特有表征的内在结构，同时提高共有表征的紧凑性。摘要未列出数据集名称、划分、指标及具体数值，实验协议、消融及统计信息尚未验证。源码在材料中仅被表述为即将公开，当前可用性尚未验证。 平台推测（待验证）：若将同一 EEG 片段的不同通道组或频带定义为配对视图，该机制可能用于研究局部缺失下的表征融合。该假设依赖可对应的多视图数据及足够的无标签样本；融合与对比框架可作为候选模块，但视图编码器、聚类设置和缺失视图处理流程需适配。低信噪比、跨被试差异及小数据可能使聚类受伪迹或被试身份主导，过强对齐也可能削弱任务相关的互补信息。可在固定的跨被试 EEG 划分下，比较完整方法与移除聚类引导或非对称对比的版本，并施加一致的通道组缺失条件，检验分类性能与鲁棒性变化。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 CLOVEN 如何用聚类引导融合并通过非对称对比协调视图一致性与互补性；作者报告的缺失视图鲁棒性具有方法参考价值，但其对 EEG 的适用性尚未验证。

  3. OpenReview · State space models74

    在低维空间中学习对比嵌入

    基于摘要分析。本文研究通用对比学习中的表征空间问题：高维嵌入虽有利于实例区分，却可能使实例分布过于稀疏，难以捕捉实例之间的潜在相似性。作者提出 contrastive learning with low-dimensional reconstruction（CLLR），通过带正则化的投影层降低嵌入维度，在保留实例区分目标的同时学习低维对比嵌入。 核心机制是在投影层引入稀疏／低秩正则化，自适应重构低维投影空间。其方法重点不只是降低维度，而是约束投影空间，使实例区分与潜在相似性结构能够兼容。摘要未给出正则项的具体形式、两类约束如何组合、训练流程、正负样本构造或推理时的使用方式，相关细节尚未验证。 作者报告，CLLR 在理论上具有更紧的误差界，并在多个领域的实验中表现出优势；但摘要未说明误差界对应的假设和比较对象，也未提供数据集、划分协议、基线或指标数值。实验协议、消融及统计信息尚未验证，因而不能据此判断收益幅度或跨领域稳定性。 平台推测（待验证）：若 EEG 对比学习中的高维表征确实存在相似性结构难以保留的问题，CLLR 的正则化投影层可能是可复用模块；该假设不等于已证实的 BCI 效果。迁移需核对其对样本规模、正负样本构造及潜在低维结构的依赖，并针对 EEG 的通道配置、增强策略与被试差异调整输入编码和训练协议。低信噪比、小数据或跨被试差异可能使投影保留被试特征而非任务信息，过强的低维约束也可能压缩有效判别信息。可在固定 EEG 数据划分、编码器及训练预算下，对照普通投影、无正则低维投影与 CLLR 投影，分别检验被试内和跨被试任务表现，并评估投影维度与正则强度的影响。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 CLLR 如何通过稀疏／低秩正则化兼顾实例区分与低维相似性结构，以及其更紧误差界的适用条件；其 EEG 迁移价值尚未验证。

  4. OpenReview · Representation learning73

    面向组织病理全切片图像分析的病灶感知对比表征学习

    基于摘要分析。该研究针对组织病理全切片图像（WSI）局部表征学习中人工标注成本高、实例级对比学习容易发生类别碰撞的问题，提出 Lesion-Aware Contrastive Learning（LACL），通过病灶队列选择负样本，并以队列精炼策略净化所存表征。 核心机制：常规实例级对比学习将每个样本视为独立类别，可能把语义同类样本作为负样本。LACL 基于 memory bank 构建病灶队列，存储不同 WSI 类别的表征，使模型在训练中选择性地定义负样本对；队列精炼进一步处理队列中的表征。摘要未说明类别信息来自人工标签、伪标签还是其他机制，也未给出精炼准则、损失形式和队列更新方式，这些是理解其监督依赖与复现条件的关键。 结果与证据边界：作者报告，LACL 在多个数据集的组织病理图像表征学习及不同 WSI 分类基准上优于所比较的方法。摘要未提供数据集名称、划分、指标、具体数值或对照配置，不能据此量化优势。实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但实现及运行条件尚未核验。 平台推测（待验证）：可迁移的机制是利用队列筛选减少语义同类样本被错误排斥，而非将病灶定义直接用于 EEG。假设 EEG 对比学习同样受到类别碰撞影响，可复用 memory bank 与队列筛选思路，但需改造信号编码器、增强方式和队列类别依据。低信噪比、小数据及跨被试、跨通道差异可能使队列表征偏向被试身份，或使错误类别归属持续累积。一个可证伪的小实验是在固定数据划分、编码器、增强和监督预算下，比较普通实例级对比学习、队列筛选及加入精炼的版本，检查下游任务指标与同类负样本比例是否同步改善。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对的是 LACL 如何通过病灶队列及队列精炼减少组织病理图像对比学习中的类别碰撞，尤其是队列类别信息的来源与负样本筛选规则；其 EEG/BCI 适用性尚未验证。

  5. OpenReview · Representation learning73

    对比式句子表示学习的各向同性与学习动态研究

    基于摘要分析。本文研究对比学习为何能够改善句子表示学习（SRL），主要对象是句子级 NLP 语义表示，而非 EEG 或 BCI。作者从各向同性、上下文化和学习动态三个角度分析表示空间的变化，旨在为后续句子表示学习方法的设计提供依据。 作者报告，对比学习使表示空间更具各向同性，并提高句内相似性，即同一句子中的 token 在语义空间中趋向相近位置。作者还将一种现象形式化为“spurious contextualization”（伪上下文化），并报告该现象在具有语义意义的 token 上减弱、在功能性 token 上增强；其具体定义与测量方式需查阅全文确认。训练过程中，嵌入空间整体朝原点移动，更多区域变得更明确，但摘要未说明相应几何量的定义及其与下游效果的定量关系。 作者通过改变训练温度、批量大小和池化方法考察上述现象的学习动态。摘要未提供具体模型、对比目标形式、数据集、评估划分或数值结果，实验协议、消融及统计信息尚未验证。因此，不能据此将各向同性增强等同于任务性能提升，也不能判断这些现象是否适用于其他模态。 平台推测（待验证）：其可迁移价值更可能是表示诊断视角，而非直接复用句子语义结论。假设 EEG 对比学习中的表示集中或局部特征过度趋同会影响判别能力，可复用各向同性与训练轨迹分析；但需根据 EEG 的时间片段或通道结构重新定义局部相似性，不能直接对应语义 token 与功能性 token。低信噪比、跨被试差异及小数据条件可能使几何变化主要反映噪声或被试身份。一个小规模可证伪实验是在固定 Cross-subject 划分、编码器及增强策略下，仅改变对比学习温度，同时记录各向同性、片段相似性与下游 Accuracy，检验几何改善是否伴随判别能力改善。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读之处在于作者将对比式句子表示学习的效果与表示各向同性、句内 token 聚合及训练动态联系起来，为检查对比学习表示空间提供了具体分析视角，但其 EEG 适用性尚未验证。

  6. OpenReview · Representation learning78

    结合语义分组的自监督视觉表示学习

    基于摘要分析。本文研究如何从无标注、以场景为中心的图像中学习视觉表示，提出 SlotCon，将数据驱动的语义分组与对比学习联合优化，以获得对象／组级表示。原论文的研究对象是视觉图像，不是 EEG 或 BCI。 机制上，SlotCon 将像素分配给一组可学习原型，再通过对特征的注意力池化形成随样本变化的语义槽（semantic slots）；基于这些槽构建对比学习目标，提升特征的可区分性，并反过来促进语义一致的像素聚合。相较于依赖手工设计的对象性先验或专门代理任务的方案，其主要思路是让语义分组与表示学习相互促进。具体损失形式、视图构造和训练配置尚未验证。 作者报告，该方法能够将复杂场景分解为语义组，并改善目标检测、实例分割和语义分割等下游任务。摘要未提供数据集、划分、对照基线及具体指标，不能据此判断增益幅度或跨协议优势。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但实现完整性及复现条件尚未核对。 平台推测（待验证）：若 EEG 的时频片段或通道特征存在可重复的潜在分组结构，可假设借鉴“可学习原型—样本自适应槽—对比学习”的机制，探索无标注 EEG 表示学习。可复用的是原型分配与槽级目标；需改造的是图像像素特征接口、时空结构编码和正样本构造。视觉语义分组的有效性不等于 EEG 生理成分可被同样分离，低信噪比、通道变化、被试差异和小数据可能使槽捕获伪迹或个体身份。一个可检验的小实验是在固定的跨被试划分下，对同一 EEG 编码器比较加入与不加入槽分组的对比学习，保持训练数据和增强一致，检查下游表现及槽稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注的是 SlotCon 将数据驱动的语义分组与槽级对比学习耦合，为无标注复杂场景的对象／组级表示学习提供了具体机制，但其向 EEG 迁移的有效性尚未验证。

  7. 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。

12月31日周五
  1. OpenReview · Representation learning79

    探究负样本在对比表征学习中的作用

    基于摘要分析。本文研究噪声对比学习中负样本数量如何影响表征及下游表现，核心贡献是提出碰撞—覆盖权衡，并通过 NLP 与视觉任务考察这一理论解释的适用性，而非提出 EEG 或 BCI 专用方法。 机制与理论：该学习范式利用语义相似性构造正样本，并通过区分正样本与随机负样本学习表征。作者从理论上指出，负样本数量存在碰撞—覆盖权衡，提示最优负样本数量应随数据中的潜在概念数量变化。摘要未给出概念的形式化定义、理论成立条件、具体损失及采样设定，相关细节尚未验证。 实验与边界：作者报告，在所考察的 NLP 任务中，实验结果总体符合理论；视觉实验则不够明确，部分情况下表现甚至对负样本数量不敏感。因此，摘要不支持将该权衡视为所有任务中的统一经验规律。具体数据集、下游指标、负样本数量范围、批大小控制、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将该机制用于 EEG 自监督学习，一个可检验的假设是，负样本数量的收益取决于其覆盖的状态差异及语义相似样本被当作负样本的程度。可复用的是负样本数量与采样策略的分析思路，需改造的是 EEG 正样本构造及潜在概念定义；低信噪比、跨被试差异、通道配置差异和小数据可能使采样主要反映非任务因素。小规模实验可固定 EEG 编码器、增强、数据划分与下游评估协议，在尽量控制批大小影响的条件下改变负样本数量，检验收益是否随任务类别覆盖而变化。此处仅为迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：该研究以碰撞—覆盖权衡解释负样本数量的作用，并呈现 NLP 与视觉实验对理论支持程度的差异，可用于审视对比学习中“负样本越多越好”的适用条件，但其对 EEG 的解释力尚未验证。

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 · State space models77

    CLOCS：跨空间、时间与患者的心脏信号对比学习

    基于摘要分析。该研究面向大量未标注的心脏生理信号，提出自监督对比学习方法族 CLOCS，通过鼓励跨空间、时间与患者的表示相似，学习可用于下游任务的表征。研究对象是心脏信号，而非 EEG 或 BCI。 核心机制是利用生理数据中的空间、时间及患者关系组织对比学习。摘要未说明这些关系如何形成正负样本，也未披露空间维度的具体定义、编码器结构、损失形式或采样策略，因此不能据此还原实现。作者还指出，训练过程自然产生患者特异性表示，可用于量化患者相似性；该相似性如何计算及验证尚未确认。 作者报告，在下游任务的线性评估与微调中，CLOCS 持续优于 BYOL 和 SimCLR；作者还报告，仅使用 25% 的有标签训练数据时仍具有较强泛化表现。摘要未给出具体任务、数据集、指标、数值，以及被试内、跨被试或跨数据集划分，因而这些结论只能保留在摘要所述评估背景下，不能量化优势或推定跨患者泛化。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 数据具有可追踪的通道、时间片段与被试标识，这种关系驱动的对比学习可能有助于缓解标签稀缺。可复用的是关系采样与自监督预训练思路；需改造的是 EEG 通道对应、时间片段配对，以及跨被试正样本的语义约束。低信噪比、跨被试差异和通道不一致可能使相似性约束抹去任务相关差异，小数据也可能导致表示主要编码被试身份而非任务信息。 一个可检验的小实验是假设在固定 EEG 数据划分、编码器与标签预算下，比较仅时间关系与加入通道或被试关系的预训练，再以线性评估和微调检查任务性能；测试被试不得参与预训练，并需核对关系配对是否依赖标签。该实验仅是迁移假设，不代表 CLOCS 已有 EEG 效果；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是 CLOCS 如何利用心脏信号的空间、时间与患者关系构建自监督表示，以及患者特异性表示的用途；其对 EEG 的适用性尚未验证。

  3. OpenReview · Representation learning72

    通过对比聚类分配进行图表示学习

    基于摘要分析。该研究面向无监督图表示学习，提出 GRCCA，通过对比不同增强图中的聚类分配，尝试同时利用局部节点信息、全局结构与簇级关联，缓解局部—全局对比中全局信息过于粗略，以及节点级对比中全局信息利用不足的问题。 核心机制：先采用不同图增强策略生成两张增强图，再通过聚类算法分别获得聚类分配与原型；随后最小化交叉熵损失，使两张增强图中的同一节点相互预测其聚类分配。其对齐对象不是单纯的节点嵌入，而是节点所属的簇级结构。作者认为，这有助于发现图拓扑之外较难显式刻画的节点关联。具体增强操作、编码器、聚类算法、原型更新方式及损失实现尚未验证。 结果与证据边界：作者报告，在三种不同下游任务中与当时的先进模型比较，GRCCA 在多数任务中具有较强竞争力。摘要未给出任务名称、数据集、划分、指标或数值，因此不能据此判断收益幅度或宣称达到 SOTA；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，若 EEG 可构造成具有稳定节点对应关系的图，簇级一致性可能为噪声较大的节点表示提供额外结构约束。可复用的是聚类分配对齐机制，需改造的是 EEG 图构建、增强策略及节点对应规则；原方法依赖图结构和跨增强的节点对应，摘要未说明所需数据规模，也未验证簇是否对应神经生理结构。低信噪比、跨被试差异、通道配置变化和小数据可能造成聚类不稳定，或使模型对齐非任务相关因素。一个可检验的小实验是在固定 EEG 数据划分、图构建、编码器与增强的条件下，对比节点级对比学习与聚类分配对比，检查下游任务指标及不同随机种子下的稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 GRCCA 如何通过跨增强图的聚类分配预测协调局部与全局信息，但摘要仅报告定性竞争力，其相对节点级对比的收益及 EEG 迁移价值尚未验证。

  4. 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。

  5. OpenReview · Representation learning70

    采用可训练增强通道的对比表征学习

    基于摘要分析。该研究关注图像对比表征学习中，数据增强可能过度破坏实例信息、进而导致表征坍塌的问题，提出用随机编码框架与 infoMax 目标学习依赖数据的增强分布，作为这一问题的部分解决方案。 核心机制是将增强引入的数据破坏与编码器保留的信息形式化为相互制衡的过程，而非仅使用预先固定的增强分布。作者报告，基于该框架的 infoMax 目标能够学习数据依赖的增强分布，以避免表征坍塌。摘要未提供目标函数的具体形式、增强通道的参数化方式、优化流程或坍塌判据，因此不能据此断言其采用对抗训练或特定网络结构。数据集、对照基线、评估指标、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 自监督对比学习中的增强同样可能破坏任务相关信息，那么可训练增强分布可能有助于协调增强强度与信息保留。原方法以图像实例区分为背景，依赖增强后仍可保留可识别信息；迁移时可借鉴增强分布学习与编码器之间的协调机制，但需改造为符合 EEG 时序、频谱及通道结构的增强操作。低信噪比下，保留的信息可能是伪迹或被试特征而非任务信号；通道差异和小数据也可能使增强策略过拟合。 一个可检验的小实验是假设检验：在固定 EEG 数据划分、编码器与训练预算下，对比固定增强分布和可训练增强分布，同时评估表征坍塌与下游任务表现，并分别报告被试内和跨被试结果。该建议不代表已有 EEG 效果，相关 EEG 工作尚未检索确认；复现原论文前还需核对全文中的增强定义、目标函数与优化条件。

    阅读价值：值得阅读其如何通过随机编码框架与 infoMax 目标学习数据依赖的增强分布，以应对增强过度破坏信息导致的表征坍塌；具体实验效果及 EEG 适用性尚未验证。

  6. 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。

  7. 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。

  8. OpenReview · EEG70

    基于预测性与判别性对比编码的睡眠分期自监督学习

    基于摘要分析。该研究针对 EEG 睡眠分期对人工标注数据的依赖，提出自监督算法 SleepDPC，通过结合预测性与判别性学习原则，从原始 EEG 信号中学习表征，再用于睡眠阶段分类。 技术机制：摘要将预测性学习与判别性学习列为核心设计，目标是发现 EEG 中的潜在语义信息。标题将方法描述为预测性与判别性对比编码，但现有材料未说明预测目标、正负样本构造、损失函数、编码器结构，以及预训练与下游分类的衔接方式，因此不能进一步确定其具体实现或两类学习原则的互补机制。 评估与结果：作者报告在两个公开数据集上进行了评估，并称在有限标注条件下，相较多种竞争方法获得更好的分类表现，同时学习到有意义的表征。摘要未给出数据集名称、被试数量、标注比例、指标数值或基线名称，也未说明采用被试内、跨被试还是跨会话划分；这些评估前提及实验协议、消融与统计信息尚未验证。摘要关于自监督方法可接近全监督性能的背景陈述，不应直接视为 SleepDPC 已取得该结果。 阅读与复现重点：需核对预测性和判别性目标各自的贡献、有限标注的具体定义，以及不同方法是否使用一致的数据划分与标注预算。该论文直接研究 EEG 睡眠分期，但摘要不支持将其结果扩展为其他 EEG 任务或在线 BCI 的有效性结论；代码可用性与完整复现条件尚未验证。

    阅读价值：值得阅读的具体原因是 SleepDPC 将预测性与判别性学习结合用于原始 EEG 的自监督表征学习，并评估有限标注下的睡眠分期能力，但具体性能与评估协议尚待全文核对。

  9. OpenReview · Representation learning79

    SeCo：探索用于无监督表征学习的序列监督

    基于摘要分析。本文研究如何利用视频相较于静态图像多出的时间维度，为无监督视觉表征学习提供监督信号，提出 Sequence Contrastive Learning（SeCo），从空间、时空与序列三个角度利用视频的内在结构。 核心机制是判断一对样本是否来自同一帧、是否来自同一视频，以及三个样本是否具有正确的时间顺序，并将这些关系作为对比学习的监督基础。其主要研究对象是视频与视觉表征，而非 EEG 或 BCI。摘要未提供具体损失形式、采样规则、网络结构及训练规模，不能据此还原实现。 作者报告，在 linear protocol 下，SeCo 在 Kinetics 动作识别、ActivityNet 未裁剪视频活动识别和 OTB-100 目标跟踪中取得较优结果，但摘要未列出具体分数及完整对照。作者另报告，在 UCF101 和 HMDB51 动作识别任务上，相对全监督 ImageNet 预训练的 Accuracy 提升分别为原文所述的 2.96% 和 6.47%；其百分比或百分点口径、数据划分及具体评估设置尚未验证，不能与前述 linear protocol 直接合并解读。摘要提供了源码地址，但代码内容、复现条件、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 数据具有连续记录和可靠时间顺序，可假设将同帧关系改造为同一时间窗的不同增强视图，将同视频关系改造为同一连续记录内的片段关系，并复用顺序监督，探索无标签数据的表征学习。需重新设计时间窗、增强方式和正负样本定义；同一记录也可能共享被试身份或设备噪声，低信噪比、通道差异及小数据可能使模型学到与任务无关的线索。一个可检验的小实验是在固定 Cross-subject 划分下，仅使用训练被试的无标签记录预训练，对比基础对比学习与加入顺序监督后的冻结表征分类结果。该实验属于迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：SeCo 将视频中的同帧、同视频与时间顺序关系转化为对比学习监督，值得核对各类序列信号的独立贡献；其对 EEG 表征学习的价值尚未验证。

1月1日周三
  1. OpenReview · Representation learning75

    面向强化学习的掩码对比表征学习

    基于摘要分析。该研究针对像素输入强化学习（RL）的样本效率问题，在 CURL 的单帧表征学习基础上，引入相邻视频帧的上下文信息，通过掩码特征重建与对比学习训练编码器。其主要研究对象是游戏与控制环境中的视觉 RL，而非 EEG 或 BCI。 核心机制：在 CURL 的 CNN 编码器与策略网络之外，增加辅助 Transformer。训练时随机遮蔽若干帧的特征，利用上下文帧重建被遮蔽特征；CNN 与 Transformer 联合接受对比学习训练，使重建特征接近对应真实特征、远离其他特征。摘要未给出具体损失公式、负样本构造及掩码比例。推理时仅保留 CNN 编码器与策略网络，移除 Transformer，因此辅助时序模块不参与动作选择。 作者报告，在 DMControl suite 的 16 个环境中有 14 个、Atari 2600 Games 的 26 个环境中有 21 个相对 CURL 获得改进。这些数字表示出现改进的环境数量，不代表平均收益幅度；具体交互预算、评估指标、随机种子、统计显著性及消融信息尚未验证。摘要提供了代码地址，但实现与复现条件尚未核对。 平台推测（待验证）：其可迁移机制是利用连续观测的时间相关性，通过上下文预测学习表征；假设 EEG 相邻时间窗包含稳定且与任务有关的动态结构，可探索将帧级 CNN 替换为 EEG 编码器，在训练期沿用辅助 Transformer 与掩码对比目标。该机制依赖有序连续数据及足够上下文，不能直接等同于独立试次分类。低信噪比、跨被试差异、通道不一致和小数据可能使模型主要学习伪迹或局部平滑性。一个可检验的小实验是在同一 EEG 数据划分、编码器和微调预算下，比较独立时间窗对比学习与时序掩码对比学习，并以打乱上下文顺序作为机制对照。已有 EEG 相关工作尚未检索确认。

    阅读价值：该研究通过训练期时序掩码对比学习改进像素输入 RL，并在推理时移除辅助 Transformer，值得核对其相对 CURL 的样本效率收益及额外训练成本，但对 EEG 的适用性尚未验证。

  2. OpenReview · Representation learning72

    超越单实例多视图的无监督表征学习

    基于摘要分析。本文研究图像无监督表征学习中正样本通常局限于同一图像增强视图的问题，提出 Beyond Single Instance Multi-view（BSIM），通过两个随机采样实例及其混合样本之间的联合相似性学习，扩展传统 Single Instance Multi-view（SIM）范式。 机制上，作者将上述关系称为 spurious-positive pairs，旨在提高实例判别能力，并认为联合相似性学习在编码特征更均匀地分布于潜在空间时有助于提升性能。BSIM 被作为可叠加的改进应用于 SimCLR、MoCo 和 BYOL。摘要未给出混合样本的生成方式、联合相似性的数学定义、损失形式及其与各基线训练目标的结合细节，这些内容尚待正文核对。 作者报告，在 ImageNet-1k 和 PASCAL VOC 2007 的线性分类，以及 MS COCO 2017 和 VOC 的目标检测等下游评估中，几乎所有任务均取得较大提升。摘要未提供具体指标、数值、数据划分与训练配置，因此不能量化增益或判断各方法之间的公平可比性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可供 EEG 研究检验的机制是借助实例混合约束表征空间，而非已验证的 BCI 方法。迁移假设依赖 EEG 片段间混合仍保留可解释的信号关系；相较图像，需要改造混合策略、时序增强和相似性目标。低信噪比、通道差异及跨被试分布偏移可能使混合样本偏离真实生理分布，小数据下也可能强化噪声或被试特征。一个可证伪的小实验是在固定的跨被试划分下，以相同编码器、增强和训练预算比较基础对比学习与加入混合约束的版本，并用固定标注预算进行下游评估；若收益不能跨被试稳定出现，则不支持该迁移假设。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对 BSIM 如何定义随机实例及其混合样本的联合相似性，以及这一机制对 SimCLR、MoCo 和 BYOL 的增益能否在统一训练与评估协议下复现；其 EEG 适用性尚未验证。

  3. OpenReview · Representation learning77

    SeCo：探索用于无监督表征学习的序列监督

    基于摘要分析。本文研究视频中的时间结构如何为无监督视觉表征学习提供监督，提出 Sequence Contrastive Learning（SeCo），从空间、时空和序列三个角度构造学习信号；主要研究对象是视频表征，而非 EEG 或 BCI。 核心机制是判断一对样本是否来自同一帧、是否来自同一视频，以及三个样本是否具有正确时间顺序，并将这些关系作为对比学习的基础。监督来源是视频自身的结构关系。具体损失形式、样本构造、编码器结构及训练规模，摘要未提供，尚未验证。 作者报告，在 linear protocol 下，SeCo 在 Kinetics 动作识别、ActivityNet 非裁剪视频活动识别和 OTB-100 目标跟踪任务上取得较优结果；还报告在 UCF101 与 HMDB51 动作识别任务上优于近期无监督预训练方法及全监督 ImageNet 预训练。后两项比较的具体下游训练协议、数据划分和统计信息尚未验证，不宜与线性评估结果混为一谈。摘要提供了代码地址，但实现与复现条件尚未核对。 平台推测（待验证）：其可迁移部分是利用序列关系构造自监督目标，而非直接复用视频的同帧与同视频定义。假设 EEG 中的局部时间结构包含任务相关信息，可尝试以同一时间窗的不同增强视图、同一试次的窗口关系及窗口顺序替代视频关系；需改造输入编码、增强方式与正负样本规则。低信噪比、跨被试差异、通道配置变化和小数据可能使模型学习身份或采集条件，而非任务信息，时间顺序也未必对所有 EEG 任务有效。一个小规模可证伪实验是：固定 EEG 编码器、训练数据与跨被试划分，对比仅使用窗口视图对比监督与加入窗口顺序监督后的冻结编码器线性分类表现。此方案不是原文结果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是 SeCo 如何将同帧、同视频与时序关系转化为对比学习监督，但这些视频结构信号能否适用于 EEG 表征学习尚未验证。