压缩教师：面向非对称EEG-视觉对齐的自适应教学范式
计算机视觉与模式识别
2025-11-17 v1
摘要
从EEG信号解码视觉特征是神经科学中的核心挑战，交叉模态对齐是主导方法。我们认为视觉与脑神经信号之间的关系本质上是非对称的，体现在两个关键差距： fidelity 差距（源自EEG固有的噪声与信号衰减，与视觉的高保真度特征）以及语义差距（源自EEG的浅层概念表征，与视觉的丰富语义深度）。先前方法常忽视这种非对称性，将两种模态强行对齐，导致泛化性能差。为此，我们提出自适应教学范式。该范式使“教师”模态（视觉）能够在任务指导下动态压缩和调整其知识结构，使其语义密集特征适配“学生”模态（EEG）的能力。我们通过ShrinkAdapter 实现该范式，该模块采用无残差设计和瓶颈结构。通过大量实验，我们验证了该范式的理论依据和有效性。本方法在零样态脑-图像检索任务中实现了60.2%的top-1准确率，超越了前沿方法9.8%。我们的工作引入了一种新视角进行非对称对齐：教师必须压缩和适应，以桥接视觉-脑之间的差距。
引用
@article{arxiv.2511.11422,
title = {Shrinking the Teacher: An Adaptive Teaching Paradigm for Asymmetric EEG-Vision Alignment},
author = {Lukun Wu and Jie Li and Ziqi Ren and Kaifan Zhang and Xinbo Gao},
journal= {arXiv preprint arXiv:2511.11422},
year = {2025}
}
备注
21pages,12 figures,published to AAAI 2026