该预印本于2026年7月13日上传至bioRxiv,来自University of Toronto的研究者称,神经解码本质上是一个表征学习问题:先把神经活动映射为某种中间表示,再据此重建目标信号,不同中间表示的选择会显著影响解码性能与学习难度。
作为概念验证,研究者以扩散模型在不同扩散时间步下产生的隐表示作为中间层,应用于神经语音解码任务。逐组件评估显示,不同隐表示模型下的teacher-forced词错误率分别为44.7%、7.5%和3.5%,表明所选扩散时间步对解码效果有决定性影响。研究者称,该框架为系统研究中间表示选择如何影响下游学习与重建提供了基础。