EEG-AS：通过行为重建为 EEG 基础模型选择实例级基础模型

脑电图（EEG）是一种测量神经活动的非侵入性技术，已广泛应用于神经科学应用。脑电图基础模型的最新进展使得在不同的神经解码任务中具有强大的性能。然而，没有一个基础模型能够在数据集或单个脑电图实例中始终表现最佳，而实例级模型选择在很大程度上仍未得到探索。为了解决这个限制，我们将脑电图基础模型选择制定为实例级算法选择（AS）问题。我们提出了 \textbf{EEG-AS}，一个实例级算法选择框架，它使用推理可用的潜在 EEG 嵌入、手工制作的神经生理学特征和锚基础模型来表征每个 EEG 实例。在训练期间，EEG-AS 学习根据以锚定基础模型为条件的特权预测词元来重建不可用的基础模型行为，而在推理过程中，它会在不执行整个模型组合的情况下估计这些行为，从而能够从七个 EEG 基础模型中进行有效选择。对七个公共 EEG 基准的实验表明，EEG-AS 大大缩小了每个实例的单一最佳求解器 (SBS) 与预言机上限之间的差距。这些结果凸显了实例级 AS 对于 EEG 基础模型自适应部署的有效性。