AI 搜索

带引用 · 可溯源

先用站内已采集内容作答；站内不足时联网检索，每条结论都给出来源链接

大家都在搜：vLLM12 agent10 alignment10 fine-tuning10 multi-agent10 post-training10 pretraining10 training10

AI 答案

资料有限基于 1 条来源 · 引用可点击溯源

现有资料不足以回答该问题。用户询问的是「2 中 EEG 编码器输出维度与冻结文本编码器维度的具体数值」，但本次提供的资料只有编号 1 的一条条目，不存在编号 2 的资料，因此无法定位到用户所指的文献，也无法给出任何维度数值。资料 1 中能确认的相关信息仅限于：该研究基于 MUSIN-G 公开数据集，包含 20 名听众、128 通道 EEG，在跨被试协议下对比六种深度学习模型（DeepConvNet、CNN-LSTM、GNN-CNN、TCN 等），属于 EEG 音乐愉悦度回归任务1。该摘要未涉及任何「EEG 编码器输出维度」或「冻结文本编码器维度」的描述，也未提及文本编码器或多模态结构1。建议补充提供编号 2 的原文或摘要后再作答。

继续追问

能否提供 [2] 这篇文献的标题或 arXiv 编号？该多模态 EEG-文本模型中，文本编码器采用的是哪个预训练模型？EEG 编码器与文本编码器之间是如何做特征对齐的？

参考来源

1 条

1站内EEG-Based Prediction of Music Enjoyment Using Deep Learning with Explainable Temporal Analysis该研究将音乐愉悦度预测建模为回归问题，基于MUSIN-G公开数据集（20名听众128通道EEG），在跨被试协议下对比六种深度学习模型，DeepConvNet、CNN-LSTM和GNN-CNN取得最低MAE（0.97-0.99），TCN相关性最高（r=0.21），并用梯度与遮挡方法解释时间片段贡献，为EEG情感回归提供可复现基准。arXiv cs.LGhttps://arxiv.org/abs/2610.20795

AI 答案正在检索与综合…

站内相关条目

1 条 · 点击可看原文全文与中文译文

返回信息流

行业

EEG-Based Prediction of Music Enjoyment Using Deep Learning with Explainable Temporal Analysis

该研究将音乐愉悦度预测建模为回归问题，基于MUSIN-G公开数据集（20名听众128通道EEG），在跨被试协议下对比六种深度学习模型，DeepConvNet、CNN-LSTM和GNN-CNN取得最低MAE（0.97-0.99），TCN相关性最高（r=0.21），并用梯度与遮挡方法解释时间片段贡献，为EEG情感回归提供可复现基准。

行业落地·arXiv cs.LG·4 天前

#eeg