跳到正文

算法、任务与模态

Data Augmentation 最新动态

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

332 条精选近 30 天 54 条共收录 475 条

更新

精选归档 · 第 17 页

1月1日周三第 321–332 条
  1. OpenReview · State space models73

    通过内在动机元控制与潜在空间经验想象改进机器人双系统运动学习

    基于摘要分析。该研究针对机器人双系统运动学习中，学习得到的模型在多步预测时误差累积、导致性能下降的问题，提出由元控制器根据模型局部可靠性在线协调基于模型与无模型决策，并利用潜在空间模型生成想象经验以辅助训练。 核心机制是让模型可靠性参与多个学习环节：元控制器据此进行决策仲裁；可靠性估计用于计算内在反馈信号，鼓励机器人采取能够获得有助于改进模型的数据的动作；潜在空间模型也依据局部可靠性生成想象经验，作为额外训练数据。相较于仅组合两类学习系统，摘要强调的是对模型使用可靠性的显式考虑，但可靠性估计方法、内在反馈的计算形式、想象经验生成规则及各模块的训练细节尚未验证。 作者报告，在仿真与真实世界的视觉机器人抓取任务中，该方法优于所比较的基线及先进方法，并在密集奖励和稀疏奖励环境下学得接近最优的抓取策略。摘要未提供具体指标、数值、基线名称、数据规模或“接近最优”的判定标准；实验协议、消融及统计信息尚未验证，不能据此量化性能或样本效率增益。 平台推测（待验证）：若应用于具有动作、奖励和连续交互轨迹的闭环 BCI 控制，可靠性仲裁可能对应学习模型在非平稳神经信号下预测不稳的问题。可借鉴仲裁与想象经验机制，但需改造神经信号状态表征，并明确用户、解码器和外部环境的动态边界；它不能直接等同于离线 EEG 分类方法。低信噪比、跨被试或通道变化及小数据条件可能使可靠性估计失准，想象经验也可能放大模型偏差。一个可检验的小实验是：在固定交互预算和相同真实轨迹下，对比可靠性门控与不门控的想象经验训练，观察闭环任务回报及多步预测误差。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其以模型局部可靠性同时调节决策仲裁、内在反馈和想象经验的机制，但作者报告的机器人抓取优势及其对 BCI 的迁移价值仍需分别核验。

1月1日周二
  1. OpenReview · State space models73

    利用端到端循环注意力网络从 k-space 进行脑部影像分割

    该研究针对磁共振脑部影像分割中“先重建、后分割”流程可能引入噪声、伪影与信息损失的问题，提出直接以 k-space 原始数据为输入的端到端分割框架，并借助成像模态模拟器和数字体模生成带标签训练数据。基于摘要分析，未取得论文全文。 核心机制是任务驱动的循环注意力模块：反复利用中间分割估计，引导从原始数据中提取图像域特征，使重建相关表征与分割目标更紧密地衔接。“直接从 k-space 分割”描述的是输入与最终任务的连接方式，摘要仍明确涉及图像域特征，不能理解为完全不使用图像域表示。网络结构、循环次数、损失函数及训练与推理细节尚未验证。 针对人工标注困难，作者提出结合成像模态模拟器与数字体模生成分割训练标签的工作流。该机制依赖成像过程的可模拟性及体模提供的解剖标签；模拟数据如何构造、是否与真实采集数据联合训练，以及模拟到真实数据的泛化条件，摘要未提供。作者报告，在所开展的实验中，该方法优于若干当时的先进方法，但摘要未列出数据集、样本量、划分方式、对照方法或指标数值；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可供 EEG 研究借鉴的是用中间任务预测迭代引导特征提取，而不是将磁共振 k-space 直接等同于 EEG。若用于低信噪比 EEG 解码，需要将原始数据编码与分割反馈改造为时序编码和任务预测反馈；低质量初始预测可能被循环放大，跨被试、通道变化与小数据训练也可能削弱效果。一个可检验的小实验是在固定 EEG 数据划分与相同编码器下，对比无反馈、单次反馈和循环反馈，检验跨被试表现及预测稳定性。该设想并非原论文结果，已有 EEG 相关工作尚未检索确认。原论文的主要对象仍是磁共振脑部影像分割，而非 BCI 解码。

    阅读价值：值得阅读其利用中间分割估计驱动 k-space 特征提取的任务导向注意力机制，以及模拟器与数字体模生成训练标签的流程；摘要中的性能优势尚需全文实验协议支持，不能据此认定其对 BCI 有效。

  2. OpenReview · State space models75

    基于潜空间学习自适应想象的高效内在动机机器人抓取

    基于摘要分析。研究针对视觉机器人抓取中深度强化学习的样本效率问题，提出 learning-adaptive imagination：考虑已学习动力学模型的可靠性，利用潜空间中的想象经验补充真实经验，并通过基于学习进展的内在奖励引导探索。主要研究对象是稀疏奖励环境下的机器人控制，而非 EEG 解码或 BCI。 方法结合基于模型与无模型的深度强化学习，学习一组彼此分离的局部潜空间动力学模型。控制器获得的内在奖励与模型学习进展相关，旨在促使其采集有助于改进模型的数据；模型随后生成想象经验，扩充训练经验集。相较摘要所述的既有想象方法，作者强调其区别在于考虑用于预测未来的动力学模型是否可靠。潜空间编码方式、局部模型划分、可靠性估计及想象经验的具体使用规则尚未验证。 作者报告，在视觉机器人抓取评估中，该方法显著提高样本效率，并在稀疏奖励环境下达到接近最优的性能。摘要未提供具体分数、交互预算、对照基线或“近最优”的参照定义，因而不能量化收益或判断统计稳健性；实验协议、消融及统计信息尚未验证，代码与复现条件亦待核对。 平台推测（待验证）：若用于具有动作、反馈和连续交互记录的闭环 BCI，该机制可能对应真实交互昂贵、奖励稀疏的问题，但原领域有效不等于 BCI 有效，也不能直接套用于静态 EEG 分类。可考虑复用可靠性感知的想象经验与学习进展奖励，需重新设计 EEG 状态表示和动作—反馈动力学。低信噪比、跨被试差异、通道变化及小数据可能使模型将噪声误判为学习进展，并放大合成经验偏差。一个可证伪的小实验是：在固定真实交互预算的闭环模拟环境中，对比仅真实经验、固定想象经验和学习自适应想象，核对任务回报与模型预测误差是否同时改善。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其如何依据潜空间动力学模型的可靠性调整想象经验，以及基于学习进展的内在奖励能否降低稀疏奖励控制的真实交互成本；摘要中的效果尚缺定量协议支持。

  3. OpenReview · State space models75

    采用潜在空间学习自适应想象的高效内在动机机器人抓取

    基于摘要分析。该研究针对基于视觉的机器人抓取，提出学习自适应想象方法，将基于模型与无模型的深度强化学习结合起来，以改善稀疏奖励环境中的样本效率。其核心贡献是在生成想象经验时考虑所学动力学模型的可靠性，而非不加区分地使用模型预测。 机制上，方法在潜在空间学习一组互不重叠的局部动力学模型，并根据模型的学习进展构造内在奖励，引导控制器采取能够获得有助于改进模型的数据的动作。所学模型生成想象经验，与真实交互经验共同用于训练。摘要未说明潜在表征的学习方式、局部模型划分、可靠性估计、内在奖励公式或想象经验的筛选与使用规则，这些实现细节尚未验证。 作者报告，在基于视觉的机器人抓取、稀疏奖励评估环境中，该方法显著改善样本效率并达到接近最优的表现。摘要未提供具体指标、交互次数、对照方法或统计结果，因此不能量化收益，也不能确定“接近最优”的参照。实验协议、消融及统计信息尚未验证；复现需进一步核对真实与想象经验的配比、动力学预测误差及模型可靠性对控制性能的影响。 平台推测（待验证）：其跨领域启发主要面向闭环 BCI 的控制策略学习，而非直接作为 EEG 解码方法。假设系统具有连续的状态—动作—后续反馈数据，可靠性约束的潜在动力学想象可能用于降低真实交互需求。可考虑复用学习进展奖励和想象经验筛选思路，但需改造状态表征与反馈建模；低信噪比、非平稳性、跨被试及通道差异可能使模型误差被误判为可学习进展，小数据条件下也可能放大虚构轨迹的偏差。一个可证伪的小实验是在同一被试、固定通道与相同真实交互预算下，对比仅真实经验、无可靠性约束的想象经验及可靠性约束的想象经验，核对任务回报与预测误差是否同时改善。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其按动力学模型可靠性调节想象经验、并以学习进展驱动探索的机制；作者报告了稀疏奖励机器人抓取中的样本效率收益，但具体可靠性判据与评估协议尚未验证。

12月31日周一
  1. OpenReview · EEG73

    结合基于多小波的时频条件 Granger 因果分析的提升卷积神经网络用于运动想象 EEG 解码

    基于摘要分析。该研究针对 MI EEG 解码中的非平稳性问题，提出由多小波时频条件 Granger 因果分析辅助的 boosted ConvNets，将多通道 EEG 的连接信息转为因果图像，再提取判别特征完成 MI 分类。 方法上，作者将多小波基函数与 Geweke 谱度量结合，构建高分辨率时频条件 Granger 因果（TF-CGC）表征，并采用正则化正交前向回归（ROFR）选择简约模型。随后，依据 alpha 频段多通道 EEG 的 TF-CGC 分布设计网络输入图像，保留连接的时间、频率及位置信息；分类部分结合时空卷积、cropping 与 boosting。其方法特点在于将时变连接表征与深度分类器衔接，而非仅由卷积网络直接学习 EEG 特征。这里的 Granger 因果应理解为统计预测关系，不能直接等同于生理因果机制。 作者报告，在 BCI competition-IV dataset-IIa 上，与竞赛获胜算法进行相同二分类任务比较时，平均 Accuracy 提高 12.15%，相关被试间标准差降低 74.02%。摘要未明确 Accuracy 增益是相对百分比还是百分点，也未给出绝对 Accuracy、二分类类别选择及训练测试划分，因此不能将其直接解释为跨被试泛化提升，或与其他协议下的结果直接比较。 复现时需核对 TF-CGC 估计与 ROFR 的具体配置、因果图像编码方式、cropping 与 boosting 的实现，以及各模块相对对照的贡献。网络结构、被试信息、数据划分、实验协议、消融及统计信息尚未验证；摘要中的被试间标准差下降也不足以单独确证模型在新被试或跨会话场景中的稳定性。

    阅读价值：值得核对其将时频条件 Granger 因果连接编码为图像并结合 boosted ConvNets 解码 MI 的机制，尤其是二分类评估下准确率与被试间变异的改善，但具体划分和增益定义尚未验证。

1月1日周一
  1. OpenReview · EEG70

    伪造与改进：利用生成对抗网络欺骗并增强脑信号身份认证

    基于摘要分析。该研究面向基于 EEG 的 passthought 身份认证，考察 GAN 生成的伪造信号能否欺骗认证器，以及这些信号能否用于增强认证器。作者报告，训练充分的 GAN 可以生成被分类器持续接受的信号；使用生成信号重新训练后，认证器对该攻击更稳健，对真实数据的接受表现也优于初始分类器。 方法分为认证、攻击与防御三个环节：首先训练 EEG 二分类器，判断用户是否为其声称的身份；随后训练 GAN，使生成信号模仿目标“正类”被试的 EEG；最后将 GAN 生成的数据用于分类器重训练。其主要价值在于把生成模型从常规数据增强工具转为认证系统的攻击测试工具，再利用攻击样本改进防御。这里的任务是身份认证，而非运动想象等 BCI 指令解码，不能将认证收益直接视为其他 EEG 任务的性能提升。 作者报告的结果在摘要中均为定性描述，未提供攻击成功率、真实用户接受率、错误接受率或其他量化指标。数据集、被试数量、采集条件、数据划分、GAN 与分类器结构、训练损失及生成样本的标签处理方式尚未验证；被试内、跨被试及跨会话评估背景也尚未明确，不能据此判断认证器对新会话或未见攻击的泛化能力。 复现时应优先核对攻击者可获取的目标 EEG 数据和认证器信息、生成样本与测试数据的隔离方式，以及重训练前后在相同协议下的攻击接受率和真实用户接受表现。还需核对防御是否仅对训练中使用的 GAN 有效，或能抵御独立生成器产生的攻击。完整实验协议、消融及统计信息尚未验证。

    阅读价值：值得阅读的具体原因是将 GAN 生成的 EEG 同时用于身份认证攻击与防御训练；作者报告了攻击可行性和重训练收益，但攻击泛化与真实信号接受性能仍需结合完整实验协议核对。

  2. OpenReview · Representation learning71

    面向人脸防伪的泛化深度特征表示学习

    基于摘要分析。本文研究人脸防伪中的表示泛化问题，将深度学习与域泛化结合，利用空间和时间信息学习可跨域使用的深度特征；主要研究对象是人脸视频防伪，而非 EEG 或 BCI。 方法采用针对时空输入设计的 3D 卷积神经网络，先使用增强的人脸样本和交叉熵损失训练初始化，再引入专门设计的泛化损失作为正则项。其核心思路是调节不同域训练样本的特征分布距离，使多域样本共同参与泛化表示学习。摘要未提供泛化损失的数学形式、域的定义、数据增强方式及网络结构细节，不能据此判断其具体对齐策略。 作者报告，在多个数据库和不同实验设置下，该方法相较所比较的先进方法学习到了更具判别性与泛化能力的信息。摘要未列出数据库名称、划分、指标及数值，因此无法量化提升，也无法确认测试域是否完全未参与训练；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，多源域特征分布约束可能缓解 EEG 的跨被试或跨会话分布差异。可复用的是多域联合训练与分布距离正则化思路；人脸视频的空间结构不能直接等同于 EEG 电极拓扑，输入编码和时空特征提取模块需要改造。该路径依赖多个可定义的训练域，以及分类训练所需标签；低信噪比、通道不一致、小样本和被试特异差异可能使分布约束压缩任务相关信息。一个可证伪的小实验是在固定 EEG 编码器与留一被试评估协议下，对比仅交叉熵训练与加入该正则项，并仅用训练被试选择超参数，检验跨被试收益是否稳定。上述为迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其通过特征分布距离正则化学习跨域表示的具体机制与评估协议，但摘要中的人脸防伪结果尚不能作为 EEG 域泛化有效性的证据。

  3. OpenReview · State space models79

    混合系统的神经网络状态分类

    基于摘要分析。本文研究混合系统的状态分类问题（SCP）：依据混合自动机中的状态是否满足给定的限时可达性规范，将其判为正类或负类。作者提出 Neural State Classification（NSC），用深度神经网络近似这一判定，以获得高效的状态分类器；研究对象是混合系统验证，而非 EEG 解码或 BCI 算法。 机制上，SCP 将模型检查推广为对各个状态的分类。摘要称 NSC 分类器可在常数时间和空间内运行，但可能产生分类错误。为量化并缓解错误，方法包含两部分：以统计保证认证分类器是否达到指定准确率；通过调优降低假阴性，即把正类状态误判为负类，其中包括作者提出的对抗采样技术。作者将减少假阴性解释为使分类器更保守，但这种保守性的具体安全含义需要结合规范定义核对，不能等同于形式化的零错误保证。 作者报告，在六个非线性混合系统基准上，Accuracy 为 99.25%–99.98%，假阴性率为 0.0033–0，调优后降为 0.0015–0；假阴性率沿用摘要中的小数表示。具体基准名称、训练与测试状态的采样及划分、统计认证的置信水平、对照方法、网络结构、消融及统计信息尚未验证。作者认为这些准确率对许多实际应用可接受，但这一判断不能直接外推至安全关键应用。 平台推测（待验证）：若闭环 BCI 控制器及被控设备能够表示为混合自动机，NSC 或可用于快速筛查满足特定可达性规范的控制状态，而不是直接分类 EEG。这一假设依赖可用的动力学模型、状态表示和可达性标签；可复用的是状态分类与错误控制思路，需改造的是 BCI 状态估计和规范定义。EEG 低信噪比、跨被试差异及有限数据可能使在线状态偏离训练分布。一个可检验的小实验是在模拟闭环控制系统中，以独立采样状态的可达性判定为参照，比较调优前后的假阴性率与推理耗时，再加入状态估计噪声检验退化。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是 NSC 将混合系统的限时可达性判定转化为快速状态分类，并结合准确率统计认证与对抗采样降低假阴性；其适用边界和安全保证仍需结合全文核对。

  4. OpenReview · State space models79

    混合系统的神经网络状态分类

    基于摘要分析。本文研究混合系统的 State Classification Problem（SCP），提出以深度神经网络实现的 Neural State Classification（NSC），根据混合自动机的状态是否满足给定的限时可达性规范，将其分类为正类或负类。其主要贡献是用高效分类器近似这一判断，并通过统计认证和分类器调优量化、降低分类错误。 SCP 将模型检查扩展为面向各个状态的分类问题。作者称，NSC 生成的分类器通常具有常数时间和空间的运行开销，但可能发生误分类。为此，方法包含两部分：以统计保证认证分类器是否达到指定准确率水平，以及利用包括对抗采样在内的调优技术降低假阴性，即将满足规范的正类状态误判为负类。摘要未给出网络结构、训练损失、标签生成流程、采样分布或认证所需样本量，这些细节尚未验证。 作者报告，在六个非线性混合系统基准上，Accuracy 为 99.25%–99.98%，假阴性率为 0.0033–0，调优后降至 0.0015–0。上述结果对应混合系统状态分类，而非神经信号分类；具体基准名称、训练与测试划分、对照方法、消融及统计信息尚未验证。报告中的零假阴性不能据此解释为对所有状态的无错误保证，仍需核对统计认证的适用条件。 平台推测（待验证）：若 BCI 闭环控制已具有连续动力学与离散模式组成的混合自动机模型，NSC 或可作为限时可达性检查的近似加速模块，而非 EEG 解码器。可复用分类与统计认证思路，但需改造状态表示、系统模型及规范；低信噪比引起的状态估计误差、跨被试动力学变化和稀有危险状态覆盖不足可能使其失效。一个可检验的小实验是在已知模型的闭环仿真中，以可达性分析结果生成标签，比较 NSC 调优前后的推理开销与假阴性率，并加入状态估计扰动。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是将混合系统的限时可达性判断转化为神经网络状态分类，并结合统计认证与对抗采样降低假阴性；其价值主要在形式化验证加速，尚非 EEG/BCI 解码效果证据。

1月1日周日
  1. OpenReview · State space models78

    使用条件变分自编码器进行零样本学习的生成模型

    基于摘要分析。本文研究图像分类中的零样本学习：训练阶段没有新类别的图像，但可获得类别的自然语言描述或属性向量。核心贡献是使用 conditional variational autoencoder（条件变分自编码器）根据类别属性生成样本，再利用生成样本对未见类别进行分类。 机制上，作者将这一生成式路径与既有的属性空间到图像空间的映射方法相区分。方法依赖训练类别的图像数据以及可跨类别使用的语义属性；摘要未说明生成的是原始图像还是图像特征，也未给出条件注入方式、损失形式、采样过程及下游分类器，相关实现尚未验证。 作者报告在四个基准数据集上优于当时的最先进方法，尤其是在 generalized zero-shot learning 设置下，即测试时已见类别与未见类别共同出现。摘要未提供数据集名称、类别划分、评价指标及具体分数，因此不能量化优势或比较不同协议下的结果；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务类别具有独立于测试信号、且能够表达类别间关系的语义属性，可假设复用“属性条件生成—未见类别分类”的路径，以探索缺少目标类别标注样本的问题；需将图像表示改为 EEG 表示，并验证属性是否足以约束信号差异。EEG 的低信噪比、跨被试变异、小样本和通道差异可能使生成分布失真。一个可证伪的小实验是在被试内固定数据划分并留出完整类别，比较加入属性条件生成样本与不加入生成样本的分类结果，分别报告已见、未见类别及两者共同测试的表现。上述迁移不属于本文已验证结果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是以类别属性为条件生成未见类别样本、再用于分类的零样本学习路径，尤其可核对其在已见与未见类别共同参与测试时的评估；摘要中的优势结论仍需全文协议与指标支持。

  2. OpenReview · State space models72

    基于机器人先验的无监督状态表示学习：鲁棒性基准

    基于摘要分析。该研究面向机器人 RGB 图像中的无监督状态表示学习，以作为损失函数的 robotic priors 约束神经网络，学习与机器人手部三维位置相关的低维表示，并提出鲁棒性评估及一个新的先验。 方法与评估：作者沿用 Jonschkowski et al. 2015 的机器人先验思路，将其扩展至更高维、内容更丰富的图像。研究提出利用状态空间中的最近邻定量评价表示质量，并通过增大图像尺寸、加入干扰物和 domain randomization 考察潜力与局限。这些设置旨在涉及向真实机器人迁移时的重要因素，但摘要不足以确认实际完成了真实机器人迁移实验。新先验的数学形式、网络结构和训练细节尚未验证。 结果与边界：作者报告，在所用的挑战性数据集中，该方法能够提取机械臂三维位置这类高层表示，并组织成紧凑、连贯的状态空间。摘要未提供数据集名称、样本规模、划分方式、对照基线或具体指标数值；实验协议、消融及统计信息尚未验证。辅助 RL、跨任务知识迁移及提高原始数据学习效率是摘要讨论的潜在用途，不能据此认定这些下游收益已经得到验证。 平台推测（待验证）：可迁移的假设是，以领域先验约束低维表示，并通过近邻结构及受控扰动评价表示稳定性。对 EEG 而言，可借鉴评估思路，但图像编码器和机器人先验需重新设计；机器人位置状态不能直接等同于运动想象状态。低信噪比、跨被试差异、通道变化及小数据可能使近邻结构主要反映伪迹或个体差异。一个可证伪的小实验是，在固定被试内划分的 EEG 数据上，对比普通无监督编码器与加入明确 EEG 先验的编码器，使用仅参与评估的任务标签检查近邻一致性，并测试通道扰动后的稳定性。该实验是平台提出的假设性验证，不是原论文结果；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是其以状态空间近邻评价和图像干扰条件检验低维表示质量的思路；具体评价定义、新先验的作用及其对 EEG 的适用性尚未验证。

1月1日周四
  1. OpenReview · State space models75

    用于零样本动作识别的语义嵌入空间

    基于摘要分析。本文研究视频动作类别不断增加、难以为每个类别收集充足训练数据的问题，将视频特征与类别标签嵌入共同的语义词向量空间，以识别没有对应训练样本的动作类别；核心贡献是将这一语义映射用于视频动作识别，并通过自训练和数据增强改善映射效果。 不同于摘要所述主要面向图像、采用属性语义表示的既有零样本学习（ZSL）研究，本文以词向量作为类别的语义表示。其关键难点是复杂动作的视频时空特征与语义空间之间的映射更难学习。摘要未说明视觉特征提取方式、映射模型、训练目标，以及自训练和数据增强的具体实现，这些内容尚未验证。 作者报告，在包括 HMDB51 和 UCF101 的人类动作数据集上，该方法达到当时最先进的零样本动作识别表现，并称自训练和数据增强可显著改善映射效果。摘要未给出具体指标、数值、已见与未见类别划分、对照基线或自训练使用的数据范围；实验协议、消融及统计信息尚未验证，因此不能据此量化优势或与其他协议下的结果直接比较。 平台推测（待验证）：其跨模态语义对齐机制可能为 EEG 中未见任务类别的识别提供方法参考，但原论文研究对象是视频动作，而非 EEG 或 BCI。迁移假设依赖已见类别的标注 EEG、具有可解释语义关系的类别标签，以及能跨类别保留信息的 EEG 表征。可复用部分是类别词向量与共同嵌入空间；需改造的是信号特征提取、映射训练和自训练样本筛选。低信噪比、跨被试与通道差异、小数据，以及动作词义与 EEG 生理表征不一致，都可能使迁移失败。可检验的小实验是在固定被试内协议下按类别划分训练与测试，比较仅语义映射和加入自训练的未见类别识别结果，并明确限定自训练可用的数据，核对类别泄漏。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其以语义词向量连接视频与未见动作类别、并通过自训练和数据增强改善映射的思路，但具体实验协议及其向 EEG 零样本识别迁移的有效性尚未验证。