按单条样本挑选脑电基础模型，7个公开基准逼近理想上界

内容概述 一支研究团队在arXiv上传预印本，提出名为EEG-AS的实例级算法选择框架，把脑电基础模型的挑选问题下沉到单条样本一级。近年脑电基础模型在各类神经解码任务上表现见长，但没有任何一个能在所有数据集、所有样本上稳居最优，而逐样本选模型这一环此前少有人做。EEG-AS用推理阶段即可获得的脑电潜在表征、手工神经生理特征以及一个锚定基础模型刻画每条样本，训练阶段学习从特权预测标记中重建其余模型不可得的行为，推理阶段直接估计这些行为，不必把候选模型逐个跑完，即可在7个脑电基础模型之间完成挑选。研究者称，公开脑电基准上的实验显示，该框架显著缩小了单最佳求解器与逐样本理想上界之间的差距。该文为预印本，尚未经过同行评审。