对比神经嵌入揭示超越会话角色的个体特征

arXiv:2610.03410v1 公告类型：cross 摘要：对比表征学习正越来越多地用于从神经记录中恢复低维结构，但其输出通常通过解码准确率而非所产生流形的几何结构来验证。我们将 CEBRA 应用于从对话中的二人组记录的 EEG，并分析所得嵌入；训练过程将其约束在二维球面上。描述二人组的标签（包括双方 autism-quotient 分数之差的绝对值）能够以远高于随机水平的准确率被解码（二元 AQ 幅度分类为 0.77，而多数类基线为 0.55；六类 $|\Delta$AQ$|$ 划分为 0.44，而基线为 0.25）。然而，两种置换对照在结果上存在显著差异：在冻结的嵌入上置换标签得到 p = 0.001，而在每次置换下重新训练编码器得到 p = 0.50。只有后者检验的是标签本身，而非几何结构。与此一致的是，球面混合结构和每类离散度反映的是身份，而非二人组中的自闭症特质差异；频带和非振荡活动的消融对照并未改变结果。然而，参与者层面的模型能够与其考虑身份的零模型区分开来（p = 0.0099），而在同一嵌入中，说话者与听者角色的分析表现处于随机水平，这表明该流形是按个体组织的；并且不同于当前的神经语言学模型，它几乎不随说话或聆听而变化。基于这些结果，我们建议，对于分组数据的对比嵌入，应将基于重新训练的零模型作为默认做法。