未找到 SGAD (EEG) 的代码。现在我已经掌握了所有需要的事实。让我来整理最终评审。

关键研究结论：

1. 全文已获取：通过 pdftotext 从 781 行 PDF 文本中提取。
2. OMC Wiki：所有查询均无结果（未记录 AAD/AASD 领域经验）。
3. paper-wiki：无结果（未收录相关论文）。
4. 通过自由搜索找到的关键相关工作：
   • Heintz 等人，2025年6月 (arXiv 2506.24024)：用于 AAD 后处理的 HMM — 建模时间注意力结构，在准确率/响应速度上优于现有后处理方法。比 SGAD 早约 13 个月。未被 SGAD 引用。
   • Yashengjiang 等人，2026年7月 (arXiv 2607.18614)：用于 AAD 的端到端马尔可夫状态序列学习（CRF + 两状态注意力先验）。比 SGAD 早约 2 周 — 同期工作。
   • Yao 等人，2026年2月 (arXiv 2602.13447)：用于 AAD 的马尔可夫切换模型 — 集成解码+平滑，样本级，比 SGAD 早约 6 个月。未被 SGAD 引用。 代码已开源。
5. 未找到 SGAD 代码 — 该论文未提及代码发布。
6. 数据集：MS-AASD (作者自己的数据集，Zenodo DOI 可用)，13 名受试者，13 小时数据。
7. 基线：仅 WD、PBD、EBD（简单的平滑启发式方法）— 无 HMM/MSM/CRF 基线。
8. 作者自我引用：参考文献 [14] (FCTNet)，[26] (SAASDNet)，[27] (MS-AASD 数据集) — 均来自同一实验室。

论文评审：SGAD：一种用于鲁棒基于脑电图的听觉注意力切换解码的状态引导自适应决策框架

论文类型: 方法型 + 部分 benchmark 型（提出 SGAD 框架 + 六层评估协议）

公理审查结果

公理一：对象公理

• 判定: ✅
• 分数: 8

• 依据: AASD（听觉注意力切换解码）是真实且清晰可操作的问题。EEG 非平稳性导致 window-wise decoding 不稳定、fixed smoothing 在稳定性-响应速度之间产生 trade-off，这些问题在 AAD 文献中被广泛承认（Geirnaert et al. 2021; Hjortkjær et al. 2025; Rotaru et al. 2024）。注意力切换状态的定义通过三角软标签 st = max(0, 1−

  t−tsw

  /R) 操作化，switch-F1 和 SDL 指标对应真实目标。六层评估协议覆盖 audio/speaker/subject 维度，场景真实。claim 外延（”advance robust AASD for neuro-steered hearing”）与实验范围（13 名受试者、单一数据集）基本一致，虽泛化范围有限但未过度声称。

• Wiki 证据: OMC Wiki 无 AAD/AASD 领域记录（三次查询均返回空）。free-search 确认 AAD/AASD 是活跃研究领域，有 ICASSP 2024 Grand Challenge、多篇 2024-2026 论文，问题真实存在且有社区投入。

公理二：识别公理

• 判定: ❌
• 分数: 2
• 依据: 论文将 SGAD 的性能提升归因于”causal state detection + adaptive gating”，但存在严重遗漏：
  1. 最简 baseline 缺失：论文未与 HMM 后处理方法比较。Heintz et al. (arXiv 2506.24024, 2025-06) 已证明 HMM 能显著改善 AAD 在准确率和响应速度方面的表现，且计算效率更高、适用于实时场景。SGAD 引入了 transformer attention + 学习门控 + 多任务损失，但未证明其优于远比它简单的 HMM。
  2. 关键变量未隔离：SGAD 同时引入 CSD（causal multi-head attention）、AGM（learnable adaptive gate）、Lstate（辅助状态损失）、Lsmooth（门控正则化），ablation 逐个移除组件但从未测试”用固定 gate 替代学习 gate 但保留 CSD”与”用单窗口 state 但保留 AGM”之间的交互效应。Table 3 的 w/o AGM 使用固定映射 (1−ŝt) 而非随机/常数 gate，不足以完全隔离学习门控的贡献。
  3. 不公平比较：WD/PBD/EBD 是无参数或单超参数的简单启发式方法，SGAD 有 transformer 参数 + 多任务训练 + 验证集网格搜索（K, α, W）。将一个训练过的 neural module 与未训练的 heuristic 比较，提升可能来自额外参数和训练，而非方法设计本身。
• Wiki 证据: OMC Wiki 无记录。free-search 发现 Heintz et al. (2506.24024, 2025-06) 和 Yao et al. (2602.13447, 2026-02) 均提出 HMM/MSM 后处理方法解决相同问题，且 Heintz 明确声称”HMMs outperform existing postprocessing approaches in both accuracy and responsiveness”。SGAD 未引用或比较这些工作。

公理三：独立性公理

• 判定: ⚠️
• 分数: 5
• 依据: 评测使用六层协议是正面做法——LOAO/LOSpO/LOSSO 等协议能揭示 audio/speaker 相关的 confounding factors，论文也承认”data partition-related biases”存在。但存在以下问题：
  1. 数据集单一：所有实验仅使用作者自建的 MS-AASD 数据集（参考文献 [27]，Zenodo DOI）。13 名受试者、3 对说话人，规模有限。论文声称的”data partition-related biases”结论仅基于此数据集，未在独立数据集上验证。
  2. 自引用密集：EEG 编码器 FCTNet [14]、SAASDNet [26]、MS-AASD 数据集 [27] 均来自同一实验室（Fei Chen 通讯作者）。编码器在自建数据集上预训练，SGAD 在自建数据集上训练和评测，构成部分闭环。
  3. 无外部人类校验：MS-AASD 的 attention switch 标注来自受试者按键自报，虽有 dominant label 处理，但无独立标注验证。
• Wiki 证据: OMC Wiki 无记录。paper-wiki 未收录 MS-AASD 数据集。free-search 确认 MS-AASD 为作者自建数据集（Zenodo 上传 2025-09），未发现其他团队使用此数据集的独立验证。

公理四：压缩公理

• 判定: ⚠️
• 分数: 4
• 依据: SGAD 的核心思路——”根据注意力状态动态调节 smoothing 强度”——本身是合理的 insight，但实现方式缺乏压缩价值：
  1. 过度工程化：CSD 使用 causal multi-head attention（Q/K/V 投影 + KV cache + FFN + LayerNorm）来从 EEG embedding 推断一个标量 transition probability ŝt。这本质上是一个滑动窗口上的序列分类器，但用 transformer 架构来处理 W=15 个窗口的序列是过度设计。HMM（Heintz 2025）或 MSM（Yao 2026）用更少参数和更透明概率模型解决同一问题。
  2. 命名膨胀：论文使用”causal state detector”、”adaptive gating mechanism”、”state-guided adaptive decision”等命名，但 AGM 的核心公式 (4) 式 gt = gmin + (gmax−gmin)·σ(b−aŝt) 是一个简单的 sigmoid 映射，recursive smoother (5) 式是标准 EMA 变体。这些标准操作被包装为多个”模块”。
  3. 无新机制解释：论文未提供为什么 transformer-based state detection 比 HMM transition model 更好的理论或经验解释，未发现可迁移的经验规律。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 HMM/MSM/CRF 等更简洁的概率序列模型已被用于同一问题（Heintz 2025, Yao 2026, Yashengjiang 2026），SGAD 未证明其复杂度换来了额外能力。

公理五：效用公理

• 判定: ⚠️
• 分数: 5
• 依据:
  1. 绝对指标：SGAD 最佳配置（FCTNet + SGAD）在 LOTO 下达到 85.6% Acc / 72.5% Sw-F1 / 1.12s SDL，在最严格的 LOSSO 下降至 76.7% / 62.3% / 1.42s。Sw-F1 在所有协议下均低于 75%，表明 switch detection 仍有大量误检/漏检。
  2. 相对提升的公平性存疑：SGAD 的 baseline 是 WD/PBD/EBD——无训练参数的简单启发式方法。与 EBD 相比，SGAD 的 mean Acc 提升 79.8% vs 79.0%（+0.8pp），Sw-F1 67.3% vs 53.7%（+13.6pp），SDL 1.18s vs 1.38s（−0.20s）。Sw-F1 的大幅提升可能部分来自 Lstate 的显式 switch 监督——这是 baseline 没有获得的信息。
  3. 缺失关键 baseline：未与 HMM（Heintz 2025）、MSM（Yao 2026）、CRF（Yashengjiang 2026）比较。Yashengjiang et al. 在动态 AVGC 数据集上用 CRF + ESCNet 达到 86.5% causal accuracy（1s 窗口），与 SGAD 的 LOTO 85.6% 相当，但 Yashengjiang 使用了独立数据集和更严格的端到端训练。
  4. 仅在单一数据集验证：六层协议虽好，但所有实验仅基于 MS-AASD 一个数据集（13 名受试者），无法确认方法在其他 AASD 数据集上的泛化性。
• Wiki 证据: OMC Wiki 无 SOTA 记录。free-search 发现三篇密切相关工作均报告了可比或更优性能，且 Heintz (2025) 和 Yao (2026) 开源代码。SGAD 未与这些工作比较，效用判定不完整。

公理六：新颖性公理

• 判定: ❌
• 分数: 3
• 依据:
  1. 核心 idea 已有：用注意力状态模型指导 AAD 决策平滑的思路至少已出现在三篇先前工作中：
     • Heintz et al. (2025-06, arXiv 2506.24024)：HMM 建模注意力时序结构，在 causal 和 non-causal 场景下改善 AAD，声称优于现有后处理方法。
     • Yao et al. (2026-02, arXiv 2602.13447)：Markov switching model 集成解码与平滑，样本级解码，更快 switch detection。代码开源。
     • Yashengjiang et al. (2026-07, arXiv 2607.18614)：End-to-end CRF + two-state attention prior，联合优化 window-level emission 和 state transition。 SGAD 的”state-guided adaptive smoothing”与这些工作的核心思路高度重叠：都是用注意力状态的概率推断来调节时序决策。
  2. 实现差异不构成新颖性：SGAD 用 causal transformer attention 代替 HMM/CRF 来推断状态，用 learnable sigmoid gate 代替 HMM transition probability，用 multi-task loss 代替 EM 算法。这些是实现选择而非机制创新。论文未证明 transformer-based state detection 在原理上优于概率模型。
  3. 未被引用的先前工作：Heintz (2025-06) 和 Yao (2026-02) 在 SGAD (2026-08) 之前发表，均未被引用。Yashengjiang (2026-07) 距 SGAD 不到 2 个月，可视为 concurrent work。
  4. 六层评估协议有一定新意，但本质上是对已有 cross-validation 协议（LOSO, LOAO 等）的组合扩展，非全新概念。
• Wiki 证据: OMC Wiki 无记录。paper-wiki 未收录相关论文。free-search 确认三篇密切相关工作，两篇在 SGAD 之前发表且未被引用。

公理七：可复现公理

• 判定: ⚠️
• 分数: 4
• 依据:
  1. 数据可获取：MS-AASD 数据集在 Zenodo 公开（DOI 10.5281/zenodo.17149387），这是正面做法。
  2. 代码未公开：论文未提及代码开源计划。free-search 未找到 SGAD (EEG) 的代码仓库。（注意：存在同名 SGAD 计算机视觉项目，与此无关。）
  3. 训练细节基本充分：PyTorch、V100、AdamW (wd=1e-4)、lr=1e-3、batch=64、50 epochs pretrain + early stopping (patience=10)、超参数网格搜索范围和最终值 (K=5, α=0.8, W=15) 均已给出。
  4. 预训练依赖：wav2vec 2.0 的第 14 层特征 + PCA 降维，这些 preprocessing 步骤可复现但需明确版本。
  5. 无独立验证：所有实验由作者团队自行完成，无第三方复现。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 MS-AASD 数据集在 Zenodo 公开，但未找到 SGAD 代码仓库。

日报摘要

• Strength: 提出 6 种分层评估协议以揭示数据划分偏差；SGAD 在 Sw-F1 上较 EBD 基线平均提升 13.6pp，同时降低 SDL 0.20s，显示出在切换检测上的一定有效性。
• Weakness: 未引用或比较两篇直接先前工作（Heintz 2025 HMM 后处理, Yao 2026 Markov switching model），这两者用更简洁的概率模型解决相同的状态引导平滑问题；仅与简单启发式基线（WD/PBD/EBD）比较，且仅使用了作者自建数据集。

总评

• 科学价值: 低 — 核心思路（state-guided temporal smoothing for AAD）已在至少两篇先前工作中提出，SGAD 未引用也未比较这些工作。transformer-based state detection 相对 HMM/MSM 的优势未得到机制层面的解释或实验证明。
• 方法价值: 低至中 — 六层评估协议有一定方法价值，但 SGAD 框架本身是已有思路的更复杂实现，未证明复杂度换取了额外能力。ablation 存在但变量隔离不充分。
• 社区价值: 中 — 六层评估协议对 AASD 社区有参考价值，揭示 data partition bias 的实验结论有警示意义。但单一数据集限制其作为社区基准的适用性。

打分

加权总分: 3.89/10（加权分之和 40.0 / 权重之和 9.5） 最终建议: Weak Reject (3.5-5)

核心拒稿理由：

1. 遗漏关键先前工作：Heintz et al. (2025-06, arXiv 2506.24024) 和 Yao et al. (2026-02, arXiv 2602.13447) 先于 SGAD 提出用 HMM/Markov switching model 建模注意力状态以改善 AAD 决策——这是 SGAD 的核心思路。两者均未被引用，且 Yao et al. 开源代码。SGAD 需要明确引用并比较这些工作。

2. Baseline 不充分：仅与无参数启发式方法 (WD/PBD/EBD) 比较，未与同期的 HMM/MSM/CRF 方法比较。SGAD 的 Sw-F1 提升 13.6pp 中有多少来自 transformer state detection 本身、多少来自显式 switch 监督 (Lstate)、多少来自额外参数和训练，无法区分。

3. 单一数据集验证：所有实验仅基于作者自建的 MS-AASD 数据集（13 名受试者），六层评估协议虽好，但无法替代独立数据集的交叉验证。