Neuro-KE: Scaling EEG Foundation Models via Label-Free Knowledge Integration
Hanrui Chen, Haotian Deng, Xiang Chen, Kexin Lou, Shinan Wang, Chen Wei, Quanying Liu
ICML 2026 主会 · OpenReview
OVERVIEW
论文概览
探索在不依赖人工任务标签的情况下，把异质 EEG 数据与外部知识整合到同一个可扩展基础模型中。
ABSTRACT
中文摘要
EEG 基础模型的扩展受到数据异质性、标签稀缺和不同任务定义不一致的限制。Neuro-KE 提出无标签知识整合策略，将多来源 EEG 中可共享的结构性信息注入统一预训练过程，减少对统一人工标注体系的依赖。模型面向跨数据集和跨任务迁移，重点检验随着数据规模与知识来源增加，表征能否持续改善，而不是只在单一基准分类上优化。该工作把 EEG 基础模型的规模化问题从“收集更多标签”转向“如何融合可迁移知识”。
RESEARCH RELEVANCE
与你研究的关系
与统一多模态脑基础模型的数据工程核心直接相关：不同队列不必先被强制映射到同一标签空间，再进入共享预训练。
LIMITATIONS
局限与核查重点
需要在正文中核查外部知识的具体来源、是否存在评估标签泄漏，以及改进能否迁移到脑到图像/文本生成。
SOURCE
来源与原文
ICML 2026 主会 · OpenReview
Hanrui Chen, Haotian Deng, Xiang Chen, Kexin Lou, Shinan Wang, Chen Wei, Quanying Liu. Neuro-KE: Scaling EEG Foundation Models via Label-Free Knowledge Integration. ICML 2026 主会 · OpenReview. https://openreview.net/forum?id=y7vaftM0NX