AICML · 2026
PATCHCODE: Discrete Latent Predictive Learning for EEG Foundation Model
Kieren Yu, Ziyang Liu, Chang Huang, Kaishun Wu
ICML 2026 主会 · OpenReview
字号
OVERVIEW
论文概览
不再把噪声较大的原始波形重建当成唯一目标，而是在离散潜空间预测更稳定的神经生理结构。
ABSTRACT
中文摘要
EEG 记录包含大量高频噪声与跨被试差异，掩码自编码或自回归波形重建容易把随机波动当作学习目标。PATCHCODE 先学习离散潜码，再在潜空间进行 patch 级预测，使预训练更关注跨时间和跨样本稳定出现的结构，而不是逐点恢复信号。模型面向可迁移 EEG 基础表征，并通过多类下游任务验证离散预测学习的有效性。
RESEARCH RELEVANCE
与你研究的关系
与 CoCoT 一起构成 EEG 预训练目标的重要对照：对比学习、波形生成和离散潜变量预测三条路线可直接接入统一 brain–CLIP 模型。
LIMITATIONS
局限与核查重点
离散码的神经生理含义和跨数据集稳定性仍需正文消融；尚未直接验证与图像、文本或 fMRI 的对齐。
SOURCE
来源与原文
ICML 2026 主会 · OpenReview
Kieren Yu, Ziyang Liu, Chang Huang, Kaishun Wu. PATCHCODE: Discrete Latent Predictive Learning for EEG Foundation Model. ICML 2026 主会 · OpenReview. https://openreview.net/forum?id=NWcZ5vualM