超越准确率：EEG基础模型的鲁棒性、可解释性与表达能力

arXiv:2605.17562v2 公告类型：替换 摘要：EEG基础模型（EEG-FMs）主要依据干净、同分布数据上的准确率进行评估；与监督式基线和较弱的冻结表示相比，它们仅展现出有限的性能提升。本研究通过在十个数据集上评估六个EEG-FMs和一个监督式基线，从三个分析层面考察这些结论是否适用于超越干净准确率的情形：（i）鲁棒性：我们施加了测试时扰动，包括加性噪声、随机及基于脑区的通道丢弃，以及特定脑区的噪声注入。分析表明，没有任何单一模型能够在所有失效模式下占据主导地位。噪声鲁棒性最强的模型之一，在通道丢弃下却最为脆弱；而且，当通道被移除而不是进行零填充时，大部分通道丢弃脆弱性会消失。（ii）可解释性：利用EEG-FMs中的归因方法，我们表明，模型总体上会将相关性集中于与任务相匹配的脑区，这与已知的神经生理学规律一致。（iii）表达能力：我们证明，先前归因于低质量预训练表示的仅使用任务头时性能不佳，在很大程度上是由池化策略导致的；当保留其词元级嵌入时，EEG-FMs具备足够的表示能力。此外，通过分块探测和注意力分析，我们表明，后部模块会在微调过程中被重新调整用途，而前部模块已经包含与任务相关的信息。我们的结果表明，对EEG-FMs的结论取决于评估选择；我们建议，未来对EEG-FMs的评估应报告各类扰动下的鲁棒性，生成归因图，并考察多种池化策略。