脑机百科消息(bciwiki.com)，牛津大学Miran Özdogan、Gereon Elvers、Michael Bronstein和Oiwi Parker Jones比较合并重复脑信号试验的不同方法，训练时对分类分数取平均的策略在7个场景中有6个领先。在2025年PNPL竞赛音素分类设置下，其平衡准确率比竞赛冠军高17.4个百分点。研究于2026年10月19日上传arXiv，未经同行评审。
非侵入式脑信号容易受到噪声影响，重复呈现同一刺激并合并多次试验，是提高信噪比的一种办法。团队在3个数据集、4项任务和2种分组大小下比较6种策略，其中包括训练时Logit平均，以及3种基于注意力的变体。
Logit是模型转换为概率前给出的分类分数。训练时Logit平均在学习过程中合并这些分数，与先在输入端平均脑信号、或训练完成后再平均预测概率的处理不同。
作者还讨论该方法与联合集成训练的理论联系。17.4个百分点的结果针对重复试验聚合设置，单次脑信号的识别能力及实际沟通速度需要分别评估。
全文进一步说明，主要音素比较使用LibriBrain脑磁图（MEG）数据，来自一名参与者听英语有声书时的记录，每组聚合100次同类音素试验。17.4个百分点来自公开测试集上的模型复测，平衡准确率分别为64.1%和46.7%，均为5个随机种子的平均结果；比赛保留测试集的真实标签未公开，这不是原比赛榜单的直接比较。论文的实验限于脑磁图，尚未检验结果能否迁移至脑电。