arXiv cs.AI· Mingyu Jeon, Suwan Cho, Jae Young Suh·· 11 小时前AI 评分31
EEG 基础模型受控评估：随机初始化、频带功率与验证集选层探针
Controlled Evaluation of EEG Foundation Models: Random Initialisation, Band-Power and Validation-Selected Probes
AI 导读
一项受控评估在统一协议下测试了五个公开 EEG 基础模型和一个自研 JEPA 风格模型，覆盖五个基准与四个新增任务族。按测试分数选层会把逐层峰值平均抬高 +0.034，并在 36 个格子中的 9 个反转峰值与输出差距；改用验证集选层后，随机初始化在睡眠和情绪任务上追平或超过半数模型的预训练效果，且没有模型能在情绪或运动想象任务上胜过五频带对数功率基线。
正文 · AI 翻译
摘要：EEG 基础模型报告了下游收益，但其协议很少包含三项对照。这三项分别是：同一编码器未经训练、在同一数据上拟合的频谱特征，以及在不查看测试分数的情况下选取的层。因此，我们在一个包含全部三项对照和多个随机种子的统一协议下，于五个基准和四个新增任务族上评估了五个公开发布的 EEG 基础模型和一个内部 JEPA 风格模型。这些对照从三个方面改变了结论。第一，按测试分数选择被探测层会使逐层峰值平均提高 +0.034，并在 36 个单元中的 9 个里逆转峰值与输出之间的差距。第二，在验证集上选择层时，随机初始化在睡眠和情绪任务上对半数模型达到或超过预训练，且没有模型在情绪或运动想象任务上超过五频带对数功率基线。第三，经过完全微调后，30 对中只有 5 对获得的提升超过其种子波动的两倍，而唯一明显的 -0.290 AUROC 损失在匹配学习率下依然存在。基于这些结果，我们提出四项报告实践，并发布每个单元以供重新分析。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.32067 [cs.LG] |
| （或 arXiv:2610.32067v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.32067 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Mingyu Jeon [查看邮箱]
[v1]
2026年10月23日星期五 02:11:38 UTC（623 KB）
来源：arXiv cs.AI · arxiv.org