jamie33/926

四张 H200：要跑的实验

不要重新采集被试。不要从零训练新的三维生成器。权重和点云先在已有目录里找，没有再按脚本里的地址下同一份。

四张卡同时开。每张卡写自己的目录。每小时把已有数字写回去，不要等全部结束。

结果目录：

https://huggingface.co/datasets/jamie33/926/tree/main/results

用机器上已有的写权限。不要把 token 写进文件。

主终点只有一个：集合对 held-out 目标点云的 best-of-set Chamfer，8+2 减 10+0。其余都是对照。

数据到哪找

按顺序搜，找到后验 q、类别 medoid、held-out 目标点云、冻结解码器权重就用：

1. 本机上次评测留下的目录
2. jamie33/jmtseng-work-backup-public 的 brain3d_refs/results/
3. jamie33/July 的 brain3d_refs/
4. PencilHu/JAMIETSENG 的 9.24torun/results/

点云归一化和点数跟已有 category-anchor 评测一致（oracle 类别 medoid 在 0.07 这一档）。扩散采样对目标的距离在 0.4 这一档，另存一列，不要混进主终点。

缺文件时：只下 jamie33/July/brain3d_refs 里脚本写明的那一份。fMRI 用仓库里已有的 fMRI-Shape 处理版；仓库没有就下官方 processed release，不要自己重做预处理。公开权重若仓库里没有 EEG-to-3DGS / BrainGS / BrainSSD 的 checkpoint，写 results/MISSING_CKPT.md，不要开训。

划分沿用已有脚本：物体 00–05 训练，06–07 验证，08–09 测试。统计单位默认是被试。物体级结果要单独标明。

排卡

卡	任务	写回
H200-0	A. 目标几何、集合扫描、多种集合构造	results/A/
H200-1	B. 均值输入的对照	results/B/
H200-2	C. 第二套解码、检索基线、多种子	results/C/
H200-3	D. 渲染、fMRI 同一套对照、统计	results/D/

卡与卡之间不互相等。A 若 train-medoid 对不上已有评测，只停 A，B/C/D 继续。

A. 目标几何和集合（H200-0）

成员是训练集 medoid，不是新采样。先复现已有 train-medoid 集合分数，对不上写 results/A/BLOCKED.md 并停这张卡。

然后对 held-out 目标点云算 best-of-set Chamfer、F@0.1、EMD。再算一套不使用「填槽用的那批 train medoid」的参照：留出的几何原型（与填槽 medoid 不共用同一份点）。按类别、按物体、按被试各存一份。

集合：

K = 1, 3, 5, 10, 20
m = 0 ... K

每个格子都报 recall、train-medoid Chamfer、held-out-target Chamfer / F@0.1 / EMD。构造方式都要有：

• 纯 top-K
• 随机补槽
• facility location / k-center
• farthest-first
• DPP
• 按熵分配槽位
• 校准后的 top-K
• conformal 集合（已有后验上做，不要新训）
• oracle 类别 + 训练几何
• 全局先验、不用 EEG
• 一个线性的 learned set 打分（只用现成 q，几小时内停）

主终点过关：8+2 的 target Chamfer 低于 10+0，降幅约 0.008（约 0.081 → 0.072），F@0.1 约 0.41 → 0.48，EMD 约 0.34 → 0.30，被试重采样的 95% 区间不含 0，recall 不下降。K=3 或 K=5 里至少再有一个格子同向，且 recall 下降不超过 1 个百分点。做不到就在 summary.md 写 decision: drop，数字仍要写全。

写回 results/A/sweep.csv、results.json、per_category.csv、per_subject.csv、summary.md。

B. 均值是不是只是更好的输入（H200-1）

冻结已有解码器。同一目标、同一权重、同一采样 seed。每种输入都报 Chamfer、F@0.1、EMD，以及相对 paired EEG 的被试级差值和 95% 区间。

必须有这些输入：

• paired EEG
• paired EEG 的 4-trial 平均
• 同类随机 4-trial 平均
• 错类随机 4-trial 平均
• 与 paired 试次数对齐的类别均值
• within-subject 类别均值
• cross-subject 类别均值
• leave-one-subject-out 类别均值
• 协方差、方差、频谱、范数对齐到类别均值之后的 paired EEG
• 编码器隐空间里的类别均值（对照原始 EEG 均值）

过关：在试次数对齐、被试内均值、以及矩匹配之后，目标类仍然好于 paired，错类仍然差于 paired，区间不含 0。有一条对照把类别优势吃掉，就写 decision: drop，表仍写全。

写回 results/B/results.json、summary.md。

C. 不要只测一个解码器（H200-2）

在找到的 Neuro-3D 发布权重上重跑同一划分，确认不是只在改过的头上成立。

另外做三个小基线，并在每一个上做 same-category swap、目标类均值、错类均值：

• 分类然后取该类 train medoid
• EEG 回归到潜变量再解码（用已有潜空间，不要新的大生成器）
• 检索：最近的训练 EEG 对应的物体

类别读出用至少 5 个训练 seed，单独再报采样 seed。不要只留 seed 0。每个 seed 写 top-1、top-5、top-10、MRR、NLL，再写 mean±std。单被试和多人池化分开写。

仓库里若有第二套 EEG 编码器或 splat 家族的现成 checkpoint，用同一套 swap 跑一遍。没有就记入 results/MISSING_CKPT.md，不要开训 splat。

写回 results/C/results.json、seeds.csv、summary.md。

D. 图、fMRI、统计（H200-3）

渲染：chair、guitar、helicopter、elephant。条件为 paired、same-category swap、目标类均值、错类均值。已有 200k / 200 step，固定一个采样 seed。每格一个视角，白底，不要在主体旁边叠第二层淡灰点。目标类四行都应能看出类别，错类四行都应和 paired 明显不同。看不出就 decision: drop，png 仍上传。

fMRI：仓库里已有的处理版。做和 EEG 相同的 swap、目标类均值、错类均值、集合 recall、对目标点云的 Chamfer，以及功效。被试只有公开集里的那些人，不要加采。

统计（用 A 和已有 swap，不要等新被试）：

• 主终点的被试级 mixed-effects
• swap 的 TOST，等价界事先定为 Chamfer-L2 的 0.0043
• 按现有被试间方差画 n=12、24、48 的功效曲线，不要招人
• 被试级效应图
• 主终点只算一次；B 和 C 的检验标成次要

写回 results/D/qualitative_oneview.png、fmri.json、stats.json、summary.md。

停

• 某一张卡对不上已有评测：停那张卡，写 BLOCKED.md，另外三张继续。
• 找不到 splat 权重：不停其他任务。
• 单卡超过约 12 小时还没有第一张表：把日志和已算完的格子写回，不要加模型。