冻结权重仍需行为标签
皮层内解码器会随会话更替而退化，原因是记录到的单元集合发生了变化：有的单元丢失，有的新增，有的发生漂移，而持续存在的单元也可能改变其放电与行为的关系。因此，在第 0 天拟合的解码器，若没有目标会话的校准，到之后的会话就会退化。论文把待解问题限定得很窄：少量带标注的试次，能否让一个权重始终不更新的解码器完成适配。
以往多数适配路线要么在每个新会话上更新网络权重，要么依赖无标注活动。论文认为，无标注活动无法解决全部漂移，因为一个持续存在的单元可能保持其放电统计特征不变，却改变了与行为的关系。行为标签可以揭示这种变化，论文也指出这类标签通常可得：临床皮层内脑机接口会定期用短时间的提示运动模块重新校准。APST 建立在这一前提上，而不是依赖额外的无标注数据。
每个单元的四维身份
APST 用一个关联画像概括每个单元：这是对该单元在校准试次中的活动与任务行为之间关系的四维描述。画像由带标注的校准试次以闭式解算出，不需要目标会话的梯度。它的作用是补充由同一批试次估计出的活动签名，因此一个单元同时由“它做什么”和“它怎么放电”来表示。
估计器因任务而异。对于二维运动，行为通过试次的运动方向进入模型，画像收集方向系数、由系数导出的调制深度以及基线响应，并用源会话统计量做标准化。对于 16 通道 EMG 任务和 7 维速度任务，行为通过每个条件的样本权重进入模型；由此得到的关联矩阵被投影到汇总源关联的前四个右奇异向量上，并用源矩做标准化。两条路径输出同一个四维接口，正因如此，同一套条件化方案才能同时服务平面任务和高维任务。
画像调节单元 token 而非权重
画像在两个位置起作用。在校准阶段，它通过 FiLM 调节单元的活动签名，即对单个活动特征做缩放和平移，并在身份网络之前与签名拼接；得到的单元身份只计算一次并缓存。在流式解码阶段，实时活动先经过一个覆盖五个时间 bin 的共享因果卷积，加上投影后的身份，再拼接画像，然后形成单元 token。
跨单元的聚合使用八个可学习的槽查询做多头集合注意力，并用填充掩码排除补齐的单元，因此单元数量可以变化。由于集合聚合对“同时置换每个单元的活动、身份和画像”保持不变，编码器可以接受任意数量和顺序的单元。随后，四层 pre-LN 因果 transformer 处理群体序列，逐层的键/值缓存把流式状态限制在解码器的感受野内，而不是整个会话历史。一个仅用于推理的因果 EMA（α = 1/3）对原始预测做平滑，并在会话边界重置。
画像把 R² 明显推高于仅用活动
关于画像最清晰的证据来自 DANDI688 上的消融实验，该数据集使用两只猴子在相同配置下记录到的已分类单单元。每个目标会话使用 32 个带标注的校准试次时，APST 在 Sub-C 上达到速度 R² 0.78，在 Sub-M 上达到 0.81，而仅使用神经活动的变体分别为 0.40 和 0.58。性能指标是每个会话的方差加权速度 R²，再取等会话平均，因此这些是会话层面的汇总值，而不是把试次合并后的分数。
另外两项比较进一步说明画像贡献了什么。把画像在单元之间打乱后，得分低于仅用活动的变体，这说明增益取决于画像是否附着在正确的单元上，而不是取决于多了一个输入通道。此外，APST 与在同一批试次上微调过的 RNN 持平或更好，这一比较在 4、8、16 和 32 个试次的预算下进行。这项比较之所以重要，是因为微调的 RNN 会在目标会话上更新权重，而 APST 不会。
FALCON 精度随受试者差异明显
在 FALCON 的私有留出评估中，APST 在 M1 上取得 R² 0.65，在 M2 上取得 0.42，在 H1 上取得 0.44。这些是官方 EvalAI 在留出会话的私有评估数据上算出的均值，并报告了标准差；FALCON 的输入是未分类的阈值穿越，而不是已分类单元。受试者之间的差距是显著特征：同一方法在 DANDI688 上接近 0.8，在三个 FALCON 基准中的两个上却只有 0.42–0.44。
论文没有把这一差距归因于单一原因。协议本身说明的是，这些数字不能与 DANDI688 的数字互换：受试者不同、信号类型不同、评分流程不同，而且评估集是私有的。读者若要把 APST 与另一个解码器比较，应在同一基准和同一评估路径内比较，而不是跨基准比较。
按任务定制的估计器仍是设计限制
画像估计器及其源基仍然按任务设计。方向估计器和 SVD 压缩估计器是两套独立构造，按任务类型选用；论文也指出，两个条件化位置在不同任务间如何分工，仍有待刻画。因此，共享的四维接口确实统一了输出格式，但还不是统一的估计器。
论文提出的下一步是：跨数据集和模态，与解码器联合学习统一的画像估计器。在此之前，证据支持的是：在所测试的基准上、在每个会话开始时能获得校准标签的前提下，用画像条件化来适配一个源训练好的集合—时序解码器，而无需目标会话的权重更新。
标签预算才是实际可调的杠杆
论文中最具决策相关性的比较，不是 APST 与某一个基线的对比，而是两个事实的并置：画像带来的增益出现在 DANDI688 的 32 试次校准预算下，而与微调 RNN 的比较覆盖 4、8、16 和 32 个试次。这使得校准标签数量成为实践者应关注的变量，因为它是该方法所依赖的输入，也是冻结权重主张与权重更新式适配相比较时所沿的轴。
由此得出的优先级针对这一设计。如果会话开始时能获得带标注的校准试次，且不希望做目标会话的反向传播，那么证据支持的选择就是 APST 的冻结权重画像条件化，预期性能应取自相匹配的基准，而不是取自最好的报告数字。如果任务落在论文所构造的方向估计器和 SVD 压缩估计器家族之外，那么按任务定制估计器的限制会先于任何精度数字生效。
本文引用的文献
Association profile conditioning in a set-temporal transformer for cross-session intracortical motor decoding
APST 在全部网络权重冻结的情况下，用少量带标注试次得到的四维单元—行为关联画像来适配跨会话皮层内运动解码，在留出的 DANDI688 会话上速度 R² 达到 0.78 和 0.81，而仅用活动的变体为 0.40 和 0.58。