arXiv cs.AI· Urban \v{S}irca, Maryam Alimardani, Stefanos Zafeiriou, Konstantinos Barmpas·· 9 天前AI 评分22
超越准确率：EEG 基础模型的鲁棒性、可解释性与表达力评估
Beyond Accuracy: Robustness, Interpretability and Expressiveness of EEG Foundation Models
AI 导读
一项研究对六个 EEG 基础模型和一名监督基线在十个数据集上从鲁棒性、可解释性与表达力三个层面展开评估，发现没有单一模型能主导所有失效模式。最抗噪声的模型在通道 dropout 下反而最脆弱，而此前归因于预训练表征质量差的 head-only 性能不佳，很大程度上可由池化策略解释。研究建议未来评估应分别报告各类扰动的鲁棒性、生成归因图并检验多种池化策略。
正文 · AI 翻译
摘要：EEG 基础模型（EEG-FM）此前主要在干净、同分布的准确率上进行评估，相较监督基线仅显示出有限提升，且冻结表征表现较弱。本研究通过评估六个 EEG-FM 和一个监督基线在十个数据集上的表现，沿三个分析层面考察这些结论是否在干净准确率之外依然成立：(i) 鲁棒性：我们施加测试时扰动，包括加性噪声、随机和基于区域的通道丢弃以及区域特定噪声注入。我们的分析表明，没有任何单一模型在所有失效模式下都占优。噪声鲁棒性最强的模型在通道丢弃下却属于最脆弱的模型之一，而当通道被移除而非零填充时，大部分丢弃脆弱性便消失了。(ii) 可解释性：使用 EEG-FM 中的归因方法，我们表明模型总体上将相关性集中在与已知神经生理学一致的任务相关脑区。(iii) 表达能力：我们证明，此前归因于低质量预训练表征的仅头部性能不佳，很大程度上可由池化策略解释；并且当保留 token 级嵌入时，EEG-FM 具备足够的表征能力。此外，通过分块探测和注意力分析，我们表明后期块在微调过程中被重新利用，而早期块已持有任务相关信息。我们的结果表明，关于 EEG-FM 的结论取决于评估选择，我们建议未来对 EEG-FM 的评估应报告每种扰动类型下的鲁棒性、生成归因图并考察多种池化策略。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI）；人机交互（cs.HC） |
| 引用为： | arXiv:2605.17562 [cs.LG] |
| （或 arXiv:2605.17562v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.17562 arXiv 颁发的 DOI，经由 DataCite |
提交历史
来自：Urban Širca [查看电子邮件]
[v1]
2026年5月17日星期日 17:47:00 UTC（37,592 KB）
[v2]
2026年10月8日星期四 16:45:23 UTC（36,436 KB）
来源：arXiv cs.AI · arxiv.org