二元组标签暗中编码了身份
这项研究要问的是：对两人对话 EEG 做对比式嵌入后，得到的表征携带的是两人的自闭特质信息、每个人正在做什么（说话还是倾听），还是仅仅记录了“谁在被记录”。这一区分之所以重要，是因为二元组层面的标签是两位伙伴 AQ-10 得分之差的绝对值 |ΔAQ|，并按低（≤1）或高（≥2）二值化。这个值对同一二元组的每个样本、两种角色录音都固定不变，因此它是二元组身份划分的粗化：任何学会判断某段信号来自哪个二元组的编码器，都会显得能够解码这个特质标签。
数据在二元组层面为 33 个二元组，在参与者层面为 40 名参与者，每个二元组贡献四段角色特定的录音（A 说话、A 倾听、B 说话、B 倾听）。CEBRA 在按通道归一化的输入上以时间差条件目标训练，使用 offset10 感受野模型和余弦相似度，这会把嵌入约束在二维球面上。所有报告的准确率都采用按二元组分组的留一交叉验证，即把留出二元组的两种角色映射一起排除，解码使用 5 近邻分类。
高准确率经不起重训练检验
在每个堆叠文件中都把说话者录音放在首位、从而在构造上固定角色顺序时，二元组层面的 AQ 幅度解码准确率为 0.766，多数类基线为 0.545。单看这个数字，像是特质效应。论文随后对同一嵌入、同一标签做了两种置换对照，结果出现明显分歧。
冻结嵌入对照保持已训练的表征不变，在二元组之间打乱 AQ 幅度标签 1,000 次；真实 5 近邻准确率 0.7588 远高于零假设均值 0.4821 ± 0.0340，得到 p = 0.001。重训练对照则打乱完整的二元组层面标签签名，保持各类别计数不变，并在每次置换下用相同预处理、配置、随机种子和训练时长从头重训练 CEBRA；此时真实值 0.7657 与零假设均值 0.7575 ± 0.0104 无法区分，得到 p = 0.50。作者的理解是，只有重训练对照检验的是标签本身而非几何结构，因为冻结版本只问学到的几何是否恰好包含标签划分——只要编码器学会了群体身份，答案就总是肯定的。
几何结构追踪的是“谁”而非特质距离
进一步检查指向同一方向。球面混合结构和各类别离散度追踪的是身份，而不是伙伴之间的自闭特质差异；频带和非振荡活动消融对照也没有改变结果。六类 |ΔAQ| 划分的解码准确率为 0.44，基线为 0.25，一对一 SVM 解码器复现了这一模式，但两两可分性并不按 AQ 距离排序，而分级式的二元组表征本应如此。
作者明确说明了这能证明什么、不能证明什么。它并不表明 AQ 幅度没有神经相关物；它表明的是，二元组之间的标签设计无法在独立于二元组身份的情况下识别出这种相关物，而冻结嵌入零假设无法发现这个问题。六类分析本身也受样本限制：样本中低 AQ 参与者比例过高，|ΔAQ| 较大的类别中最少只有三个二元组。
个体 AQ 通过身份感知零假设检验
当标签在二元组内部发生变化时，情况就不同了。以每名参与者自身的 AQ-10 得分训练，并把说话者和听者录音分开（40 名参与者、80 段录音、608 万个样本，AQ 0–9），得到的嵌入与身份感知零假设分离：在 100 次参与者标签置换中，使用匹配的 20,000 样本子集和二元组层面留出，真实解码准确率为 0.2470，零假设均值为 0.1157 ± 0.0197（p = 0.0099）。
效应真实但幅度不大，论文也如实说明。精确 AQ 准确率从留一参与者时的 0.2300 上升到留一二元组时的 0.2437，说明它并非由二元组内部泄漏带来；但它只比 0.2007 的多数类基线高约 0.046，十个类别上的平衡准确率为 0.188，AQ 轮廓系数为 −0.167。作者的总结是，AQ 为流形提供了梯度，却没有把它划分成簇——信息可解码，但并未清晰分离。
角色处于随机水平，但同一人的两种角色仍相近
在同一份参与者层面嵌入中，留一参与者评估下说话者与听者的 5 近邻准确率为 0.4736，多数类水平为 0.5006，轮廓系数接近零。角色在球面 Kolmogorov–Smirnov 统计量上很小（纬度、经度、半径分别为 0.013、0.019、0.021），而对应的二值 AQ 统计量为 0.171、0.224、0.240。
然而同一个人两种角色在球面上彼此靠近：参与者内说话者与听者的余弦相似度为 0.9568 ± 0.0564，参与者之间为 0.1776 ± 0.6488；77.5% 的参与者，其另一角色的录音落在最相似的五个录音之中，随机情况下预期为 12.5%。作者由此得出结论：角色没有被表征为一种状态，而个体结构在角色切换中得以保留——流形按“谁在被记录”组织，而不是按“他们在做什么”组织，作者将此与当前神经语言学模型作了对比。
零假设的选择为何改变结论
论文可推广的主张关乎评估实践，而非自闭症本身。当一个标签在某个记录组内恒定时，在对比式嵌入上算出的解码准确率并不是对该标签的检验。冻结嵌入置换问的是学到的几何是否恰好包含标签划分，只要编码器学会了群体身份，答案就是肯定的，因为标签实际上是身份的粗化等价物。重训练置换问的是，可比的表征几何是否会从任意重新分组中产生。
在这份数据中，两种流程作用于完全相同的嵌入和标签，p 值却相差几个数量级。由于分组神经数据集是常态而非例外，作者预计只要用解码来评估对比式嵌入，这个问题就会广泛出现，并建议把基于重训练的零假设作为分组数据对比式嵌入的默认做法。
这对二元组设计意味着什么
由此得出的实际优先事项是一条设计规则，而不是生物标志物主张。对于二元组神经科学，论文主张采用让目标标签在记录组内变化的实验设计——要么通过二元组内部操纵，要么通过跨伙伴的重复配对——因为一个在整个二元组内恒定的标签无法仅靠解码与二元组身份分开。参与者层面的结果正是这一点的示范：同一套流程在二元组层面未能通过重训练对照，一旦标签在二元组内部变化，就产生了通过身份感知零假设检验的信号。
作者也对更广泛影响的表述附上了警示。几何表征方法可能有助于开发社交沟通挑战的客观生物标志物，但这些结果恰恰说明，为什么这类测量不应仅凭解码准确率的高低就被当作生物标志物。因此论文设定的门槛不是一个准确率数字，而是一种比较：一个标签主张的强度取决于它所对照的零假设，而对分组数据来说，这个零假设必须涉及重训练。
本文引用的文献
Contrastive Neural Embeddings Reveal Individual Traits Beyond Conversational Role
二元组层面的 |ΔAQ| 解码（0.766 对 0.545 基线）在重训练置换对照下失效（p = 0.50），因为该标签是二元组身份的粗化；而参与者层面的 AQ 与身份感知零假设分离（0.2470 对 0.1157，p = 0.0099），说话者与听者角色在同一嵌入中处于随机水平。