Tag · 5 篇
跨被试泛化
读懂你的动作：通过预训练 AEMG 学习可泛化的动作表征
Reading Your Actions: Learning Generalizable Action Representations via Pre-training AEMG
把生理时序信号（EMG）当作「语言」来做自监督预训练的思路，可迁移到视觉-生理多模态（如可穿戴相机+肌电的手势/动作识别）中：用离散化分词器把连续信号转成结构词、再用掩码/语言建模目标预训练，从而获得跨设备、跨被试的零样本泛化表征。
元学习上下文实现免训练跨被试大脑解码
Meta-Learning In-Context Enables Training-Free Cross Subject Brain Decoding
对做视觉表征研究的人，这篇提供了一个「用少量图像-脑响应样例做上下文学习、无需微调即可逆推个体编码器」的范式，可作为评估视觉骨干网络与大脑表征对齐程度的探针，也提示把元学习/上下文条件化用于跨域个体差异建模。
EEGiT：让视觉 Transformer 理解脑电信号
EEGiT: Teaching Vision Transformers to Understand the EEG signal
把时序脑电信号重排成类图像 patch 并插值对齐空间拓扑，从而直接复用预训练 ViT 的视觉先验——这套「非图像模态转 patch 后套用 ViT」的流程可迁移到其他低数据模态（如传感器、生理信号）的表征学习与检索。
跨被试脑电到视频重建及超越
Cross-Subject EEG-to-Video Reconstruction and Beyond
SAM-Net 的跨被试对齐思路（中心渐进式对抗 + New2Source 映射）可迁移到其他需要跨域泛化的视觉生成任务，如跨摄像头行人重识别或跨模态视频生成；其 HRT 编码器对多通道时序信号的区域引导交互设计，对处理多传感器时序数据有参考价值。
面向微手势识别的主动推理：EFE 引导的时序采样与自适应学习
Active Inference for Micro-Gesture Recognition: EFE-Guided Temporal Sampling and Adaptive Learning
把期望自由能（EFE）当作时序片段选择的主动采样准则，并用预测不确定性给样本加权，这套「不确定性驱动的片段选择+加权」可直接迁移到细粒度动作识别、微表情、以及低质量视频中的关键帧/关键片段选取。