# Chiến lược tập trung vào switch thật (kế hoạch, 2026-10-28)

> **2026-11-07:** metric đổi sang κ (xem `CONTEXT_3_RULES.md` mục 4); thí nghiệm 03–07/11 và hệ quả của metric mới ở **§10**. Số H ở §1–§9 là metric cũ.

> **Cập nhật 2026-11-07:** Các điểm H, ngưỡng và xếp hạng trong tài liệu lịch sử này dùng metric cũ. BTC theo nội dung người dùng cung cấp đã dùng κ hiệu chỉnh chance và giới hạn cửa sổ ở switch tiếp theo; xem `CONTEXT_3_RULES.md` mục 4. Chưa được áp các chênh lệch/ngưỡng H cũ sang metric mới trước khi chấm lại từ evidence. AASD/Carta vẫn báo riêng, không dùng trọng số hai tập test ẩn cho chúng.

Viết cho: người dùng (chủ dự án). Phần đầu là kế hoạch gốc ngày 28/10; một số thí nghiệm đã chạy sau đó. Xem mục 8 để biết
trạng thái và kết quả đã cập nhật, rồi kiểm tra queue/log trước khi coi trạng thái job là hiện tại.

## 1. Vì sao đổi chiến lược

1. **Bản tốt nhất đứng yên ở mức 0,64 trên switch thật** (AASD 0,639, Carta 0,639–0,643), trong khi LODO tổng hợp lên 0,798.
   Mọi cải tiến từ 0,774 → 0,798 chỉ có tác dụng trên switch tổng hợp.
2. **Nút thắt là độ chính xác nền, không phải hậu xử lý.** Trên dữ liệu thật Acc chỉ 52–54 % (AASD) và 57–60 % (Carta). HMM
   không cứu được tín hiệu gần ngẫu nhiên.
3. **Bài học từ `stem_ms96` (eeg-thao.zip):** mạng tầng 2 đạt 0,863 trên LODO tổng hợp nhưng 0,618 / 0,546 trên AASD / Carta,
   thấp hơn trung bình 4 logit (0,633 / 0,643). Nó học các quy luật của switch tổng hợp: đoạn đầu trial luôn là cột 0
   (bị đo: 99,9 % ở 24 s đầu, đổi cột thì còn 0,3 %), đổi dấu sạch và tức thời, lịch ≥ 30 s. Bản ép đối xứng `sym` chỉ lấy lại
   0,015 ở Carta. Phép đo chẩn đoán trên logit thật (fold AVGC và USTC của `stem_ms96`):
   - **Không phải lệch thang logit:** median |d| của seed 0 là 1,05 (corpus), 1,11 (AASD), 1,29 (Carta).
   - **AASD:** `orig` trả "cột 0" ở 71–74 % frame (sự thật 50,6 %); độ chính xác khi đáp án là cột 0 là 0,73–0,76, khi là cột 1
     chỉ 0,28–0,30. Phù hợp với mẹo 24 s đầu, vì trial AASD dài 60 s (24/60 = 40 % frame). Bản `sym` hết lệch (51 %) nhưng
     Acc vẫn 0,526, ngang mean4 (0,538): cả hai đều sát ngẫu nhiên.
   - **Carta:** không lệch cột (50–51 %), nhưng Acc chỉ 0,511–0,519 (`orig`) và 0,534–0,542 (`sym`), so với mean4 0,598. Mạng làm
     mất tín hiệu có sẵn; nguyên nhân chưa tách được. Giả thuyết còn lại: các quy luật động học học trên logit tổng hợp (trừ trôi
     60/120 s, độ dốc, chia biên độ) không còn đúng khi Acc nền chỉ 54–60 % thay vì 73 %, và khi switch thật xảy ra mỗi 12 s
     (AASD, 307 lần đổi/giờ) hay 29 s (Carta, 125 lần đổi/giờ) thay vì ≥ 30 s.
4. **Thư trả lời của ban tổ chức (dán ngày 2026-10-28):** họ không trả lời các câu hỏi, và nhắc: *không dựa vào cấu trúc dữ
   liệu train để điều chỉnh mô hình*; chỉ dùng quan hệ giữa EEG và kích thích; việc "reverse-engineering the blind test set,
   relying on its inherent structure" có thể vi phạm Terms và bị loại bài. Hệ quả:
   - Không dùng: thứ tự cột (cột 0 = người được chú ý), vị trí trong trial (0–30 s đầu), lịch switch, ID, độ dài trial,
     số kênh/dataset.
   - Mọi mô hình mới phải qua **kiểm tra đối xứng cột** (đổi hai luồng thì logit đổi dấu) và **kiểm tra bất biến vị trí trong
     trial** (xem mục 6) trước khi được tính điểm.
   - Bản hiện tại (phân loại phản đối xứng, HMM khởi đầu 50/50, phát xạ ±mu đối xứng, EA khởi đầu từ giá trị quần thể)
     phù hợp với các điều này.

## 1b. Nguyên tắc thiết kế: dùng được trong môi trường thật (ví dụ máy trợ thính)

Tinh thần của ban tổ chức ("a truly generalizable sAAD decoder ... applicable in real world scenarios") cũng là tiêu chí thiết
kế của mình: mỗi quyết định thiết kế phải trả lời được "trên một máy trợ thính / thiết bị đeo có chạy được không". Điểm
cuộc thi vẫn là mục tiêu chính; tiêu chí thực tế được dùng để chọn giữa các phương án có điểm ngang nhau, và để loại những mẹo
chỉ có tác dụng trên dữ liệu thi.

| Tiêu chí thực tế | Bản hiện tại | Hành động |
|---|---|---|
| Nhân quả, độ trễ ≤ 1 s | Có (đọc khung cuối, lookahead 0,5 s). Nhưng cửa sổ 10 s và các khối cuộn không nhân quả trong cửa sổ | Báo H theo lookahead 0,25 / 0,5 / 1 s |
| Tiền xử lý được miễn trừ | Đang dùng z-score cả trial (do mình thêm) và dựa vào file 32 Hz mà ban tổ chức đã lọc `filtfilt` 1–9 Hz và sửa kênh / đoạn xấu. Thiết bị thật không có những bước này. Luật chỉ **cho phép**, không bắt buộc | G1: **bỏ hẳn** các bước miễn trừ trong các thí nghiệm mới (xem mục 4G) |
| Số kênh | 58 kênh scalp | G2: thử 8 / 16 / 32 kênh và bố trí ear-EEG |
| Đường bao kích thích | Đường bao sạch của từng người nói | G3: đường bao ước lượng từ tách tiếng (rò giữa hai luồng, nhiễu, trễ) |
| Không hiệu chuẩn theo người | Có (không dùng ID, EA khởi đầu từ giá trị quần thể) | Giữ; thêm thích nghi trong trial khi có lợi (đã thử, chưa có lợi) |
| Người nói và ngôn ngữ lạ | Chưa kiểm | Chấm theo ngôn ngữ: Quan Thoại (AASD), tiếng Anh (Carta), Hà Lan (KUL) |
| Switch thật, có độ trễ phản ứng | Chưa tối ưu (0,64) | Mục 4A–4B |

Tiêu chí chọn bản nộp: trong số các bản cách nhau dưới 0,01 H, ưu tiên bản nhân quả chặt hơn, ít kênh hơn, ít phụ thuộc vào
đường bao sạch. Số tham số và khối lượng tính toán **không** là tiêu chí (đã bỏ theo yêu cầu 2026-10-28).

## 2. Dữ liệu có switch thật

| Dataset | Người | Trial | Switch | Nhãn | Ghi chú |
|---|---|---|---|---|---|
| **AASD** (Sci. Data 2026, Zenodo 17413336) | 18, tiếng Quan Thoại | 900 dùng (trial 1–50 mỗi người, 60 s; 51–60 là điều khiển thụ động) | tự phát, ≈ 5,1 / trial (0–17), ≈ 4 600 tổng | phím bấm (179 = trái, 184 = phải) | stereo ±90°; nhãn có độ trễ bấm phím; đã có ở `external_data/AASD` |
| **Carta 2026** (PLOS Biol., Zenodo 20569817) | 24 | 480 (20 × 175 s) | có tín hiệu thị giác, 6 / trial (theo `index.csv`), ≈ 2 880 tổng | thời điểm cue | thêm 16 người nói nền (babble); BioSemi 64 kênh, đã ICA, 64 Hz |
| **KUL-AV-GC** (trong corpus) | 13 | 99 (600 s) | 1 lần đổi hướng ở giây 300 | thật | Người nói không đổi, chỉ hướng đổi; là dataset duy nhất kiểm soát hướng nhìn như hai tập test; Acc trên các switch này ≈ 51 % với bộ giải mã hướng |
| Tập "Flemish" (arXiv 2506.24024) | 13 | 10 phút, đổi sau 5 phút | cue mũi tên | — | Nhiều khả năng chính là KUL-AV-GC (suy luận, chưa xác nhận) |
| cEEGrid (arXiv, 98 người) | 98 | — | trong trial | — | **Ba** người nói, ear-EEG: không dùng |

Tổng switch thật khả dụng ≈ 7 600 (AASD + Carta + KUL-AV-GC). Không có switch thật nào trong 4 dataset corpus còn lại.

## 3. Giao thức mới

- **LODO 7 tập**: DTU, KUL, UHD, USTC, AVGC, AASD, Carta. Hiện AASD / Carta chỉ dùng để chấm; mới sẽ **đưa vào huấn luyện**
  khi tập khác được giữ ngoài.
- **Hai mục tiêu song song, báo cáo cả hai cho mọi thí nghiệm:**
  1. **Switch thật:** H trung bình trên hai fold giữ ngoài AASD và Carta (train trên 6 tập còn lại + Fuglsang + SparrKULee).
  2. **Dataset gốc:** H LODO tổng hợp trên 5 tập corpus (mốc hiện tại 0,798; AVGC 0,726), cần tăng tiếp chứ không chỉ giữ.
     Riêng **AVGC** báo cáo thêm một dòng: đây là tập duy nhất kiểm soát hướng nhìn, giống hai tập test, nên là tập "giống test" nhất.
  Một thay đổi chỉ được giữ nếu không làm tụt mục tiêu còn lại quá 0,01. **Yêu cầu của người dùng (2026-10-28): tăng trên switch
  thật nhưng vẫn giữ hiệu năng trên synthetic.** Vì mọi thí nghiệm A1–A4 chấm trên fold thật, mỗi ứng viên có triển vọng còn phải
  chạy thêm **LODO corpus có AASD + Carta trong huấn luyện** (`direct_classifier.py --extra-real AASD,Carta2026`, job
  `5500_lodo_xreal_s0/s1` cho thiết lập A1) và so **cùng seed** với mốc (seed 0: 0,7887; seed 1: 0,7761 khi chỉ dùng classifier;
  nhiễu lịch ±0,0015, nhiễu giữa seed ±0,01). Cách giữ cả hai điểm khi không có ứng viên thắng: huấn luyện đa mục tiêu, trộn trọng
  số / ensemble bản gốc với bản có dữ liệu thật, hoặc chọn điểm dừng theo tiêu chí kết hợp.
- **Quy tắc báo cáo và quyền quyết định (2026-10-28):** báo cáo mỗi thí nghiệm phải có đủ cả kết quả switch thật (AASD, Carta) và
  switch synthetic (LODO 5 dataset), kèm mức nhiễu, kể cả khi thí nghiệm chỉ nhắm vào một bên. **Giữ hay bỏ phương pháp do người
  dùng quyết định**; phần của Claude chỉ là nêu ý kiến (ghi rõ là ý kiến, kèm lý do và mức chắc chắn).
- Trong AASD thêm chia theo người (leave-subject-group-out) để đo nhiễu.
- Không chọn siêu tham số theo từng dataset: một bộ giá trị cho cả hai tập thật (p_stay, trọng số fusion).
- Mỗi ý tưởng chạy ≥ 2 seed. Hạt giống lịch switch tổng hợp cũng phải đổi (phép đo nhiễu lịch `5010_schednoise_*` đang chạy).
- Đo độ trễ nhãn phím bấm của AASD (tương quan chéo giữa nhãn và tín hiệu giải mã): quyết định có cần làm mềm nhãn quanh switch.

## 4. Thí nghiệm, theo thứ tự ưu tiên

### A. Huấn luyện trực tiếp trên switch thật (kỳ vọng tác động lớn nhất)
1. **A1** Bộ phân loại trực tiếp (`vlaai_ws`, 3 khối, cửa sổ 10 s) huấn luyện trên 6 tập + Fuglsang, chấm AASD / Carta giữ ngoài. Đây là mốc mới.
2. **A2** Tỉ lệ trộn cửa sổ thật / tổng hợp (0, 25, 50, 100 %); lấy mẫu cửa sổ nằm vắt qua switch thật.
3. **A3** Nhãn mềm quanh switch thật (±0,5–2 s) để hấp thụ độ trễ bấm phím.
4. **A4** Đa nhiệm: dự đoán thêm "đã có switch trong 5 s qua" (ý tưởng của SGAD: phát hiện trạng thái chuyển tiếp rồi chỉnh mức làm mượt).
5. **A5** Tinh chỉnh bộ giải mã (reconstruction) trên AASD / Carta với nhãn thật.

### B. Hậu xử lý không phụ thuộc cấu trúc
6. **B1** HMM với thời gian lưu có phân phối (semi-Markov) thay cho `p_stay` cố định.
7. **B2** Phát hiện điểm thay đổi Bayes trực tuyến (BOCPD): không cần chọn `p_stay`; kỳ vọng bền hơn khi lịch switch của test chưa biết.
8. **B3** Bộ hậu xử lý học được trên switch thật, **bắt buộc phản đối xứng** `f(−x) = −f(x)`, không bias, không mã hóa vị trí, không đệm 0 (bài học `stem_ms96`).
9. **B4** `p_stay` tối ưu chung cho cả hai tập thật (AASD đổi ≈ mỗi 10–12 s, Carta ≈ mỗi 15–30 s, test chưa rõ). Đã thấy p_stay 0,9997 tệ nhất trên thật.

### C. Tăng cường dữ liệu
Đã thử và loại (ghi trong EXPERIMENTS_LOG): nghiêng phổ, nhiễu loạn độ trễ EEG–kích thích (−0,03), xóa đặc trưng, adversarial miền, lọc FFT cả trial (không hợp lệ).
Đã giữ: tăng cường nhóm `cluster`, hai lần switch trong cửa sổ (`sw2`), pretrain SparrKULee, thêm Fuglsang.

Đề xuất mới, thiên về giống switch thật:
1. **C1** Chuyển mờ (cross-fade 0,5–3 s) thay cho đổi chỗ tức thời hai luồng.
2. **C2** Độ trễ giữa lúc đổi kích thích và lúc đổi nhãn U(0, 2 s) để mô phỏng chú ý đến chậm.
3. **C3** "Lơ là chú ý": thay cả hai luồng bằng đoạn không khớp 1–5 s, nhãn mềm hoặc giữ nguyên.
4. **C4** Trộn nhiễu nền (babble) vào đường bao ở mức ngẫu nhiên (giống Carta).
5. **C5** Bền theo montage: bỏ ngẫu nhiên kênh, xoay không gian nhẹ, co giãn biên độ theo kênh. Hai tập test dùng BioSemi và NeuroScan, bố trí kênh khác nhau.
6. **C6** Co giãn thời gian cả EEG lẫn đường bao (0,9–1,1).
7. **C7** Tăng số lần switch thật: cắt AASD / Carta thành cửa sổ vắt switch, chia theo người để không rò.
8. **C8** Thêm dữ liệu huấn luyện: Broderick2018 (33 người, 984 run × 60 s, 16,4 giờ, hai sách nói đưa vào hai tai, chú ý cố định trong run).
   Đã tải và chuyển đổi (chỉ `mat_reac`; muốn dùng hợp lệ phải tạo `eaP_n5_t60` bằng `derive_prep.py`). Thí nghiệm cũ thêm Broderick
   không giúp (0,734–0,740 so với Fuglsang một mình 0,746; AVGC tụt 0,021), nên chỉ thử lại với tỉ lệ trộn nhỏ (`--extra-frac`) và
   trên cả hai mục tiêu. Dữ liệu này **không có switch**, chỉ thêm số người và số giờ.

Cần kiểm tra thật kỹ trước khi giữ: mỗi tăng cường phải chạy trên fold thật, không chỉ LODO tổng hợp.

### D. Mô hình nền tảng EEG làm "view"
Các mô hình có mã công khai (cần kiểm tra giấy phép và kích thước trọng số): **LaBraM** (≈ 2 500 giờ, 200 Hz), **CBraMod** (≈ 27 000 giờ TUEG, 200 Hz, criss-cross), **EEGPT** (25 triệu tham số, 256 Hz, 58 kênh), **BIOT**, **BrainOmni** (EEG và MEG, cảm biến tùy ý, NeurIPS 2025).
- **D1** Nhúng cố định từng mảnh 1 s của EEG 128 Hz thô (lấy mẫu lại lên 200/256 Hz) làm đầu vào bổ sung của `DirectNet` cạnh EEG gốc.
- **D2** Tinh chỉnh nhẹ (LoRA, vài lớp cuối) với mục tiêu khớp EEG–đường bao.
- **D3** So với EEG-encoder mới huấn luyện từ đầu (cùng kích thước).
- Ràng buộc: các mô hình này không nhân quả bên trong cửa sổ. Ổn nếu cửa sổ kết thúc không sau t + 1 s và chỉ đọc khung cuối (như `causal_reconstruct`). Trọng số ngoài là dữ liệu ngoài (luật cho phép, kiểm tra giấy phép). Cần xác nhận với image Docker của ban tổ chức rằng nạp được trọng số và chạy kịp.
- **Không dùng được:** mô hình âm thanh (wav2vec2, Whisper, mel). Dữ liệu chỉ cung cấp đường bao 32 Hz; chưa biết tập test có kèm âm thanh không.

### E. Kiến trúc khác đáng thử (sau khi A cho mốc mới)
1. EEGNet / ShallowConvNet / EEG-Conformer (bộ lọc không gian trước, ít tham số, có lợi cho dữ liệu nhỏ như AASD).
2. Hai nhánh EEG và kích thích trộn muộn (kiểu DBPNet), ghép đa tỉ lệ cửa sổ (2,5 / 5 / 10 s). Cửa sổ 20 s đã thử: không tốt.
3. Mô hình khớp–không khớp (match-mismatch) với bộ mã hóa chung, dùng làm mục tiêu tiền huấn luyện thêm.
4. State-space (Mamba/S4) cho chuỗi bằng chứng: SSMamba đã thử cho kết quả không tốt trên LODO, nên chỉ thử lại trên fold thật.
5. Mạng hậu xử lý nhỏ (B3), không dùng lại nguyên `stem_ms96`.

Gợi ý lấy từ `eeg-thao_unzipped`: giữ khung `ensemble_clf_*` (đặc trưng nhân quả, huấn luyện cân bằng dataset, EMA, chọn trên nhóm kiểm định), nhưng bỏ phần mạng học vị trí, bias, đệm 0, và đổi mục tiêu chọn sang fold thật. Không sửa trong thư mục giải nén; chép phần cần dùng ra cây `experiments/`.

### F. Đường song song: tăng điểm trên 5 dataset gốc (LODO)

Bản hiện tại 0,798 đã chững: nhiều ý tưởng đã thử và loại (đối kháng miền, nghiêng phổ, ngân hàng HMM, thích nghi trong
trial, đa tỉ lệ, ADT, cửa sổ 20 s, nhiễu loạn độ trễ, bỏ đặc trưng, quét siêu tham số; thêm Fuglsang + Broderick từng làm
tụt AVGC 0,021). Những hướng chưa làm hoặc làm chưa đủ, đều không phụ thuộc cấu trúc dữ liệu:
1. **F1** Thêm AASD và Carta vào huấn luyện LODO corpus (thêm 42 người, ngôn ngữ và thiết bị khác, nhãn thật). Cần tỉ lệ trộn
   (như `--extra-frac`) vì thêm dữ liệu ngoài đã có lúc làm tụt AVGC. Hưởng lợi cho cả hai mục tiêu.
2. **F2** Tăng số seed và đa dạng hóa tập hợp: 8 seed; biến thể cửa sổ (7 s, 15 s); khởi tạo khác nhau; trung bình trọng số
   (SWA / model soup). Đo trước độ bão hòa: 4 seed đã đưa 0,7882–0,7904 lên 0,795.
3. **F3** Bộ ghép phi tuyến nhưng **lẻ** `f(x) = g(x) − g(−x)` thay cho LDA (đầu vào: bằng chứng của từng decoder và classifier).
4. **F4** Mô hình nền tảng EEG làm view (mục D) đo trước trên LODO vì rẻ hơn để so với EEG-encoder hiện tại.
5. **F5** Tiền huấn luyện mạnh hơn: SparrKULee dài hơn hoặc nhiều mục tiêu hơn (đã cho tăng ở cả decoder và classifier).
6. **F6** Khảo sát lỗi riêng của AVGC (13 người, 600 s, kiểm soát hướng nhìn, 0,726): theo người, theo đoạn, theo kênh trán. Hiện chưa biết vì sao kém DTU (0,842) và USTC (0,823).
7. **F7** Bền theo montage (C5) kiểm tra trên LODO: bỏ ngẫu nhiên kênh có làm tụt không.
8. **F8** Đo nhiễu lịch (job `5010_schednoise_*` đang chạy) để biết khoảng chênh nào mới đáng tin; hiện mọi số LODO đo trên đúng một lịch.

### G. Đường song song: độ sẵn sàng cho thiết bị thật

1. **G1 (nền cho mọi thí nghiệm mới): bỏ các tiền xử lý được miễn trừ.** Luật cho phép, không bắt buộc, nên bỏ là hợp lệ.
   - **G1a** thay z-score cả trial bằng z-score chạy (nhân quả). Việc này chỉ cần sửa `prepare_data.py`.
   - **G1b** bỏ dùng file 32 Hz đã lọc sẵn: đọc EEG thô 128 Hz và dùng lọc IIR một chiều 1–9 Hz (nhân quả), hạ mẫu rồi tiếp tục như cũ.
   - **G1c** bỏ bước sửa kênh xấu / đoạn xấu: thay bằng tăng cường (bỏ kênh, xung nhiễu cục bộ) để mô hình tự bền.
   - Chi phí đã biết từ các thí nghiệm cũ (chưa có căn chỉnh `eaP`): z-score chạy 0,694 so với 0,715 (−0,021); lọc nhân quả tự dựng
     `py` 0,693–0,710. Số cũ này đo trên mô hình cũ, có thể nhỏ hơn khi có căn chỉnh quần thể; cần đo lại với `eaP_n5_t60`.
   - Nếu tập test chỉ cung cấp bản đã lọc sẵn (chưa rõ), G1b không áp dụng được ở bản nộp; vẫn đáng đo để biết độ bền.
2. **G2** Ít kênh: giữ 8, 16, 32 kênh (chọn theo vị trí, không theo dataset); bố trí gần tai (T7/T8, TP, FT, kênh sau tai).
3. **G3** Đường bao không sạch: thêm rò chéo giữa hai luồng (trộn 10–40 % luồng kia), nhiễu cộng, trễ 50–300 ms, đường bao ước lượng bằng hồi quy từ hỗn hợp.
4. **G5** H theo lookahead (0,25 / 0,5 / 1 s) và theo độ dài cửa sổ: cho biết cần bao nhiêu độ trễ để đạt điểm.
5. **G6** Báo cáo theo ngôn ngữ và thiết bị ghi: Quan Thoại, tiếng Anh, Hà Lan; BioSemi, NeuroScan.
6. ~~G4 (chắt lọc về mạng nhỏ) và G7 (bộ tách tiếng nhẹ)~~: đã bỏ vì không còn quan tâm tham số / tính toán.

## 5. Thứ tự làm và chi phí

| Pha | Việc | Chi phí ước tính |
|---|---|---|
| 0 | Bộ nạp 7 tập, chấm fold thật, đo độ trễ nhãn AASD, kiểm tra đối xứng/vị trí | vài giờ lập trình, không train |
| 1 | A1–A3 (1 seed = 7 fold; mỗi fold khoảng 10–20 phút, ≈ 2 giờ/seed khi hàng chờ trống) | ≈ 8 giờ cho 4 seed |
| 2 | C1–C7 từng cái, 2 seed | 2–4 giờ/cái |
| 3 | B1–B4 (chủ yếu chấm lại, rẻ); F2, F3, F6, F8 (chấm lại hoặc phân tích, rẻ) | vài giờ |
| 3b | F1, F5, F7 (cần huấn luyện lại LODO, chạy song song với Pha 1–2 khi hàng chờ trống) | ≈ 2 giờ/seed |
| 4 | D1–D3 (tải và nạp trọng số, kiểm tra giấy phép trước) | 1–2 ngày |
| 5 | E, chọn bản nộp, pipeline nộp bài, leakage test | — |

Kỳ vọng: chưa có cơ sở để hứa mức H trên switch thật; mục tiêu cần thống nhất sau khi có mốc A1. Ghi chú trung thực: có thể trần thực tế
thấp, vì độ chính xác nền trên AASD hiện sát ngẫu nhiên.

## 6. Quy tắc chấp nhận một mô hình (ngăn "quá tập trung" vào cấu trúc)

1. **Đối xứng cột:** đổi hai luồng thì logit đổi dấu, độ chính xác không đổi (sai lệch < 0,5 điểm Acc).
2. **Bất biến vị trí:** chèn thêm 60 s EEG/kích thích ngẫu nhiên vào đầu trial không làm thay đổi quyết định ở phần sau.
3. **Không biết dataset:** cùng một bộ tham số cho mọi dataset; không dùng ID.
4. **Nhân quả:** `leakage_test.py` (nhiễu loạn) đạt trên toàn pipeline.
5. **Điểm trên cả fold thật và LODO tổng hợp:** không chấp nhận mô hình chỉ tăng ở một trong hai.

## 7. Điểm cần người dùng quyết

1. Có đưa AASD và Carta vào **huấn luyện mô hình cuối** không (chúng là nguồn duy nhất có switch thật)? Giao thức mới giả định có.
2. Có đồng ý tải trọng số mô hình nền tảng từ GitHub / Hugging Face (nhiều file lớn, cần kiểm tra giấy phép) không?
3. Giới hạn GPU: kế hoạch Pha 1–2 chiếm hàng chờ nhiều ngày nếu chạy đủ 4 seed × 7 fold.

## 8. Trạng thái các ý tưởng (cập nhật 2026-10-30, giờ Việt Nam)

| Ý tưởng | Trạng thái | Căn cứ |
|---|---|---|
| A1 huấn luyện trên tập thật còn lại | **dừng** | không tăng điểm thật; LODO synthetic tụt 0,015–0,018 |
| A2 tỉ lệ cửa sổ thật, vắt switch | **dừng** | mọi cấu hình dưới mốc, r100 Carta 0,594 |
| A3 nhãn dịch / mềm | **dừng** | 0,628–0,636, dưới mốc |
| `stem_ms96` (zip) | **dừng** | thấp hơn mốc trên thật; khai thác thứ tự cột |
| A4 đầu phụ + HMM có cổng | job 2 seed đã xong | có kết quả `5400`, `5600`, `5601`; cần đối chiếu cùng seed trước khi kết luận |
| A5 bộ giải mã có dữ liệu thật | job 2 seed đã xong | có kết quả `5700`–`5703` và `5800`–`5801`; cần đối chiếu cùng seed trước khi kết luận |
| B2 BOCPD (Gaussian segment mean, hazard 5-125 s, `bma` trộn hazard) | **dừng** (người dùng, 29/10) | real +0,003..0,012, synthetic −0,008..−0,011; không hơn HMM p_stay 0,95; biến thể `learned`, `robust` cũng vậy |
| B1 HMM semi-Markov (dwell Weibull, tuổi đầu trial theo phân phối cân bằng) | **giữ** (người dùng, 29/10); tham số chưa chốt | real +0,005..0,016, synthetic −0,002..−0,016 tuỳ m; xem bên dưới |
| B3 learned decision rule (`hmm_learned.py`) | **giữ, không bỏ** (người dùng, 30/10); tiếp tục nghiên cứu | V2 tăng LODO synthetic nhưng giảm mạnh trên Carta; chưa chọn làm bản nộp |
| C1 cross-fade 0,5–3 s | đã chạy xong (4 seed, ensemble 4+4); chưa có quyết định giữ/bỏ của người dùng | ensemble 4+4 so với `sw2` cùng cấu hình tại p 0,998: AASD 0,642 so với 0,638, Carta 0,646 so với 0,639, LODO synthetic 0,7742 so với 0,7981 (−0,024; AVGC 0,713 so với 0,726); không đạt tiêu chí §9 |
| C2 độ trễ nhãn so với đổi kích thích U(0, 2 s) | **dừng** (người dùng, 30/10: không chạy tiếp) | classifier riêng, 2 seed: AASD +0,001..+0,007, Carta −0,004..−0,011, LODO synthetic hai seed ngược dấu (−0,009 và +0,008 tại p 0,998); không đạt tiêu chí §9 |
| C3 lơ là chú ý 1–5 s (`c3keep`, `c3soft`) | đã chạy xong; người dùng để sau, chưa quyết định | classifier riêng, 2 seed: AASD +0,002..+0,006; Carta `c3soft` −0,007..−0,017, `c3keep` dao động theo seed; LODO `c3soft` ±0,003 tại p 0,9–0,95; không đạt tiêu chí §9 |
| C4 babble trộn vào envelope | **dừng** (người dùng, 31/10) | classifier riêng, 2 seed: AASD +0,001..+0,003, Carta −0,007..−0,015, LODO −0,004..+0,010 (phụ thuộc mốc seed), AVGC thường giảm; không đạt tiêu chí §9 |
| C5 bền theo montage (xoay/dịch lưới điện cực, bỏ kênh và gain mạnh hơn) | đã chạy xong; chưa có quyết định của người dùng | classifier riêng, 2 seed: AASD +0,003..+0,007, Carta −0,010..+0,005, LODO ±0,004; không đạt tiêu chí §9; chỉ đo gián tiếp độ bền montage |
| C6 co giãn thời gian 0,9–1,1 | **dừng** (người dùng, 02/11) | classifier riêng LODO +0,003..+0,011 nhưng ensemble 4+4 không khác `sw2`: 0,7973 / 0,6367 / 0,6361 so với 0,7981 / 0,6380 / 0,6388 tại p 0,998; hai cặp seed ngược chiều trên real |
| C7 cửa sổ vắt switch thật, chia theo người và stimulus | **dừng** (người dùng, 02/11) | classifier riêng, 2 seed: LODO −0,021..−0,032, Carta −0,027..−0,082, AASD ngược dấu |

Quy tắc: ý tưởng không tốt thì không chạy nữa, chỉ ghi lại (người dùng quyết định).

**B3 (người dùng yêu cầu giữ ngày 30/10):** job `6400_b3_learned_rule` đã hoàn tất; xem `experiments/decoder_lodo/results/research/learned_rule.txt` và `.csv`. Với ensemble `all4`, trung bình hai seed huấn luyện bộ quyết định, V2 đạt H AASD 0,6371, Carta 0,5860, LODO synthetic 0,8109 (AVGC 0,7488). HMM `p_stay=0.95` tương ứng 0,6486 / 0,6482 / 0,7903 (AVGC 0,7128). V2 cao hơn trên synthetic nhưng kém 0,0622 trên Carta. V1 đạt 0,6374 / 0,5703 / 0,5165. Đây là kết quả đánh giá, không phải điểm test ẩn. **Giữ B3 như một hướng nghiên cứu**; nghiên cứu nguyên nhân giảm trên switch thật, nhất là Carta, và báo lại cả hai mục tiêu trước khi đề xuất chọn cấu hình. Quyết định giữ hoặc bỏ thuộc người dùng.

**C1 (30/10):** cross-fade được áp dụng trong train lên các feature `env`, `onset`, `dom` đã tính, với thời lượng lấy ngẫu nhiên U(0,5–3 s); nhãn cứng đổi tại tâm chuyển tiếp. Giữ `sw2` và các thành phần khác như mốc để chỉ thay augmentation. Đánh giá vẫn dùng switch synthetic tức thời và switch thật AASD/Carta. Đây là cross-fade mức feature, chưa tái tính các feature từ audio pha trộn. Dùng `eaP_n5_t60` để so cùng mốc; chưa thực hiện G1. Theo dõi queue và log `logs/jobs/650*_c1_xfade_s*.log`.

**C1 classifier riêng, kết quả đã chạy:** `6500`, `6501` và `6600_c1_pstay_lodo` hoàn tất. Bảng so C1 với `sw2` cùng seed, cùng `p_stay`; các ô ghi **H / Acc% / SDT giây**. LODO là trung bình 5 dataset synthetic; AVGC được ghi riêng. AASD/Carta là switch thật; mô hình đánh giá thật train trên 5 dataset gốc + Fuglsang, không train trên tập thật được chấm. Đây là classifier + HMM, chưa phải ensemble 4+4.

| p_stay | seed | phương pháp | AASD | Carta | LODO synthetic | AVGC |
|---:|---:|---|---|---|---|---|
| 0,998 | 0 | sw2 | 0,6291 / 51,68 / 12,97 | 0,6397 / 58,26 / 20,38 | 0,7887 / 72,09 / 7,33 | 0,7233 / 67,34 / 16,93 |
| 0,998 | 0 | C1 | 0,6400 / 52,56 / 11,87 | 0,6325 / 58,60 / 22,06 | 0,7668 / 70,53 / 9,70 | 0,7157 / 67,41 / 18,20 |
| 0,998 | 1 | sw2 | 0,6273 / 51,36 / 13,33 | 0,6427 / 58,52 / 19,06 | 0,7761 / 71,25 / 8,18 | 0,7167 / 67,64 / 14,73 |
| 0,998 | 1 | C1 | 0,6347 / 52,42 / 13,41 | 0,6414 / 58,92 / 20,38 | 0,7598 / 69,80 / 10,21 | 0,6897 / 65,55 / 18,28 |
| 0,95 | 0 | sw2 | 0,6371 / 52,54 / 13,10 | 0,6504 / 59,18 / 17,75 | 0,7835 / 71,24 / 6,95 | 0,7053 / 66,67 / 15,68 |
| 0,95 | 0 | C1 | 0,6497 / 53,78 / 11,79 | 0,6401 / 59,22 / 20,75 | 0,7649 / 69,54 / 9,28 | 0,7044 / 66,70 / 18,35 |
| 0,95 | 1 | sw2 | 0,6368 / 52,23 / 12,57 | 0,6477 / 59,11 / 19,75 | 0,7771 / 70,64 / 7,57 | 0,7103 / 67,13 / 17,94 |
| 0,95 | 1 | C1 | 0,6448 / 53,34 / 12,35 | 0,6435 / 59,31 / 20,56 | 0,7588 / 68,74 / 9,14 | 0,6917 / 64,89 / 18,33 |

Tại p=0,998, C1 so với sw2 tăng AASD +0,0109 / +0,0074 nhưng giảm Carta −0,0072 / −0,0013 và LODO −0,0219 / −0,0163 (seed 0 / 1). Bảng LODO nhiều p và từng dataset ở `experiments/decoder_lodo/results/research/c1_pstay_lodo.csv`; AASD/Carta ở `ext_clf_<DS>_w10b3c1xfadeP_s<seed>.json` và mốc `_w10b3sw2P`. Chỉ mới có một lịch synthetic; phép đo nhiễu ±0,0015 trước đó là của ensemble mốc, không phải độ bất định đã đo cho C1. Chưa suy ra điểm test ẩn hay quyết định giữ/bỏ từ classifier riêng.

**C1: HMM nhiều `p_stay` (30/10):** đã chấm C1 và baseline `sw2` seed 0–1 trên LODO với `0.9, 0.95, 0.98, 0.99, 0.995, 0.998, 0.9997` bằng `experiments/decoder_lodo/score_c1_pstay.py`; output `results/research/c1_pstay_lodo.csv`. AASD/Carta đã được `eval_external_clf.py` chấm cùng 7 giá trị trong `results/research/ext_clf_<DS>_w10b3c1xfadeP_s<seed>.json`. Không chọn p riêng theo dataset.

**C1 ensemble 4+4 (01:33 ngày 30/10, giờ Việt Nam):** `6502_c1_xfade_s2` và `6503_c1_xfade_s3` đang chạy, mỗi job đã lưu 4/5 fold LODO và đang train fold USTC; sau đó còn train all5 và chấm AASD/Carta. Seed 0–1 đã xong. Watcher `c1_ensemble_wait` sẽ xếp `6700_c1_ensemble` sau khi cả bốn job hoàn tất. `runners/run_c1_ensemble.sh` so ensemble 4 decoder + 4 classifier C1 với 4 decoder + 4 classifier `sw2`, classifier weight 0,5, HMM 7 giá trị `p_stay` như trên; đánh giá LODO và AASD/Carta. Không dùng B3. Output nối vào `results/research/fuse_general.csv`, `fuse_external.csv` với tên `C1 xfade 4dec4clf` và `C1 matched sw2 4dec4clf`; theo dõi `logs/c1_ensemble_queue.log` và `logs/jobs/6700_c1_ensemble.log`. Nếu job train lỗi, watcher dừng và ghi lý do thay vì xếp job thiếu dữ liệu.

**B1 (29/10, `hmm_semimarkov.py`, job `6000_b1_semimarkov`, kết quả `results/research/semimarkov.csv/.txt`)**: pipeline tốt nhất (4 decoder + 4 classifier `sw2`, a 0,5), mốc HMM 0,998: AASD 0,638, Carta 0,639, LODO synthetic 0,798 (AVGC 0,726).
Hai bản lặp seed {0,1}, {2,3} cùng chiều bản chính. `m5 k1,5` (m = dwell TB giây, k = hình dạng Weibull): AASD 0,654, Carta 0,651, synthetic 0,782 (−0,016; AVGC 0,710); `m10 k0,6`: +0,007/+0,008, synthetic −0,005;
`m20 k0,6`: +0,005/+0,005, synthetic −0,002. Gain trên real chủ yếu do dwell ngắn (kiểu hình học `m5 k1`: +0,011/+0,010, synthetic −0,008), hình dạng k thêm ≤ +0,004. Real cần prior chuyển nhanh, synthetic cần prior chậm: một bộ tham số không phục vụ cả hai.
`m5` không khớp dwell thật (10–25 s), là mẹo làm mượt do bằng chứng yếu và trễ ~4 s, và là giả định về tần suất chuyển của tập test: không đóng đinh. `m125 k1,5` (+0,002 synthetic) không dùng (khớp lịch synthetic). `m5/m10 k2,5` hỏng (NaN underflow trong hazard), bỏ qua.
Ý kiến của trợ lý: nếu dùng, cân nhắc cấu hình đuôi nặng (m10–m20, k0,6) hoặc ước lượng tần suất chuyển nhân quả trong trial. Job `6200_leakage_b1` đã hoàn tất: báo cáo `experiments/decoder_lodo/results/research/leakage_b1.txt` ghi nhận kiểm tra đổi cột và perturbation lookahead trên các pipeline B1 m10/m20 k0,6; lookahead lớn nhất đo được 0,9688 s. Đây là kết quả của các phép thử đã chạy, không phải chứng nhận mọi pipeline về sau.


## 9. Kiến trúc mới và danh sách thí nghiệm đề xuất (2026-10-28, chưa chạy)

Nguồn tìm được (tóm tắt từ kết quả tìm kiếm, chưa đọc toàn văn từng bài): thử thách ICASSP 2026 EEG-AAD (cross-subject, cross-session; các bài
nêu tên: DARNet (tự báo hạng 3 Task 1), multi-expert voting của Tencent, dynamic prototype learning, FD-ARL tách đặc trưng + tái tạo đối kháng,
CSC-AADNet, Sequential Geodesic Adaptation cho Task 2); SWIM (CNN cửa sổ ngắn + Mamba, giải mã không gian KUL, arXiv 2409.19884); TAnet (chú ý thời
gian, cửa sổ ngắn, arXiv 2401.05819); M3ANet và SSM2Env (Mamba, được điểm trong bài ear-EEG arXiv 2510.19174); SGAD (arXiv 2608.01618, ý tưởng A4);
HMM hậu xử lý (arXiv 2506.24024); MindMix (ICLR 2026, mô hình nền tảng thính giác); Tanveer 2026 (tương phản + tái tạo, EEG di động); Liang 2026
(loss PCC tương phản, giống loss hiện tại của ta). Chưa thấy bài nào đánh giá kiến trúc mới trên chuyển chú ý thật giữa các dataset.

Đã thử và thua `vlaai_ws` (xem `EXPERIMENTS_LOG.md`, đều trên LODO synthetic, chưa trên switch thật): CCA, FBCCA, WF, VLAAI gốc, SSMamba, Deformer,
LSM-CNN, SimpleCNN (0,702–0,710), ADT, HappyQuokka (0,734–0,756), InfoNCE (0,703), đối kháng miền.

Tiêu chí chấp nhận cho mọi thí nghiệm dưới đây: ≥ 2 seed cùng seed với mốc; switch thật (AASD, Carta) tăng ≥ 0,01 H **và** LODO synthetic không tụt quá
0,01 (nhiễu lịch ±0,0015, nhiễu seed ±0,01); qua kiểm tra đối xứng cột và bất biến vị trí; báo cáo đủ hai phía.

| # | Thí nghiệm | Thay đổi | Ghi chú / chi phí |
|---|---|---|---|
| H1 | So sánh bộ quyết định trên logit thật: HMM, semi-Markov, BOCPD, CUSUM có hysteresis, Kalman | chỉ hậu xử lý, chéo AASD ↔ Carta, báo cả synthetic | CPU, vài giờ, không train |
| H2 | Tách tác dụng của HMM có cổng (A4) trên mạng gốc | `5600`, `5601` (đang chờ) | đã xếp hàng |
| E1 | Thân bộ phân loại: EEGNet / ShallowConv (lọc không gian trước, rồi tích chập thời gian) | thay `vlaai_ws` trong `DirectNet` | ít tham số, hợp dữ liệu nhỏ; ~25 phút/fold |
| E2 | Thân bộ phân loại: CNN cửa sổ ngắn + Mamba (kiểu SWIM) | thay thân | cần cài/kiểm tra gói Mamba; SSMamba cũ thua trên LODO |
| E3 | Thân bộ phân loại: transformer / Conformer nhân quả trong cửa sổ | thay thân | người dùng từng bỏ trước khi chạy; ADT/HappyQuokka thua cho bộ giải mã |
| E4 | DARNet (theo kho mã công khai của đội đứng hạng 3) | cần đọc mã và giấy phép trước | rủi ro: tối ưu cho cross-subject cùng dataset |
| E5 | Học chung tái tạo + phân loại (kiểu Tanveer 2026): một thân, hai đầu | `DirectNet` + đầu tái tạo đường bao | tương tự A4 về cách thêm đầu |
| E6 | Mô hình nền tảng EEG làm "view" (LaBraM, CBraMod, EEGPT, BIOT, BrainOmni), đóng băng, ghép với EEG | tải trọng số (cần đồng ý, kiểm tra giấy phép) | 1–2 ngày; ràng buộc nhân quả: cửa sổ kết thúc ≤ t + 1 s |
| E7 | MindMix (nếu có trọng số công khai) | như E6 | chưa xác nhận có mã/trọng số |
| E8 | Ensemble đa dạng kiến trúc (kiểu multi-expert voting) | ghép E1–E4 với bản gốc | chỉ sau khi E1–E3 có kết quả |
| E9 | Thích nghi không giám sát trong trial (hình học Riemann) | thích nghi trong trial đã thử, không giúp | ưu tiên thấp |

Thứ tự đề xuất: H1 (rẻ nhất), H2 (đã chờ), E1, E3, E2, E5, E6, rồi E8. E4 và E7 chỉ khi đọc mã xong.

**B2 (29/10, `hmm_bocpd.py`, job `6100_b2_bocpd`, `results/research/bocpd.csv/.txt`)**: cùng pipeline và 3 bản lặp seed như B1. Mốc HMM 0,998: AASD 0,638, Carta 0,639, synthetic 0,798. BOCPD tốt nhất trên real (λ5 τ1): 0,648 / 0,648 / 0,787 (−0,011); `bma` (không chọn hazard) τ0,5: 0,645 / 0,647 / 0,790 (−0,008), τ1: 0,647 / 0,645 / 0,788.
HMM hình học p_stay 0,95 (đối chứng): 0,649 / 0,648 / 0,790 (−0,008; AVGC 0,713 so với 0,726) → BOCPD không hơn HMM với p_stay thấp; `bma` không tự chuyển sang chế độ chậm trên synthetic. Hai bản lặp seed cùng chiều. Lợi ích so với mốc đến từ hạ trần tự tin (p_stay/hazard cao), không từ cách làm Bayes.
Biến thể (`hmm_bocpd_followups.py`, tiến trình do bên khác khởi chạy; `bocpd_*_followup_v2.csv`): `learned` (hazard phân cấp rời rạc) 0,645 / 0,644 / 0,790; `robust` (Student-t df 4, hazard 20 s, thêm nhiễu Gauss/xung vào bằng chứng) 0,647 / 0,644 / 0,784 (clean): không vượt `bma` hay HMM 0,95. **B2 dừng, không chạy lại.**
**Kiểm tra** (`leakage_test_b1.py`, `results/research/leakage_b1.txt`, seed 0): pipeline ghép + HMM/B1 dùng tối đa 0,969 s lookahead, kiểm chứng âm tính (DEC_OFFSET 2, offline, B1 chạy ngược) đều bị cờ; đổi chỗ cột đảo dấu chính xác; EEG ghép kích thích trial khác nghiêng cột 0 tối đa 0,545 (không có ưu tiên cột/vị trí). Chưa chạy cho BOCPD.

**C2 (30/10, `direct_classifier.py` tùy chọn `clf_label_delay_max_s=2`, jobs `6800_c2_delay_s0`, `6801_c2_delay_s1`, `score_clf_pstay.py`)**: trong cửa sổ huấn luyện có switch tổng hợp, nhãn đổi ở τ danh nghĩa còn đổi chỗ hai luồng đặc trưng (quan hệ EEG–kích thích) đổi ở τ + d, d ~ U(0; 2 s) (nhãn đổi trước, mô phỏng chú ý đến chậm; cách hiểu ngược lại chưa chạy). Cả tùy chọn tắt giống hệt bản trước (đã kiểm tra); kiểm thử bằng cửa sổ giả: swap ≤ thời điểm gắn nhãn thì nhãn đã đổi, swap muộn hơn 2 s thì chưa đổi.
Classifier riêng + HMM, so với `sw2` cùng seed (H, seed 0 / seed 1): AASD p 0,998: +0,0022 / −0,0008, p 0,95: +0,0051 / +0,0017, p 0,9: +0,0068 / +0,0067. Carta p 0,998: −0,0033 / −0,0060, p 0,95: −0,0122 / −0,0091, p 0,9: −0,0052 / −0,0027 (SDT dài hơn).
LODO synthetic TB 5 dataset: p 0,998: 0,7887 → 0,7794 (seed 0) và 0,7761 → 0,7838 (seed 1); p 0,95: +0,0008 / +0,0084. Hai seed ngược dấu, chênh lệch giữa seed (~0,017) lớn hơn hiệu ứng. **C2 dừng, không chạy lại.** Chưa kiểm tra rò rỉ/đổi chỗ cột cho mạng C2; chỉ classifier riêng, chưa ensemble.

**C4 (31/10, `clf_p_babble=0.5`, SNR U(0; 15 dB), 16 đoạn envelope, jobs `7000`, `7001`)**: babble cộng chung vào envelope hai luồng, `onset` tính lại, `dom` giữ nguyên; chỉ lúc train. Lưu ý: không mô phỏng đúng Carta (EEG không đổi, envelope bị bẩn; chưa kiểm tra babble có trong `Audio_*.wav` không). ΔH so với `sw2` cùng seed (seed 0 / 1), p 0,95: AASD +0,0026 / +0,0032, Carta −0,0139 / −0,0067, LODO +0,0028 / +0,0079, AVGC −0,003 / −0,008. **C4 dừng, không chạy lại.**

**C6 (02/11, `clf_p_warp=0.5`, r ~ U(0,9; 1,1), jobs `7200`–`7203`, `7210`, `runners/run_c6_ensemble.sh`, tên `C6 warp ...` trong `fuse_general.csv`, `fuse_external.csv`)**: ensemble 4+4 so với `sw2`: tại p 0,998 LODO −0,0008, AASD −0,0013, Carta −0,0027; tại p 0,9: −0,0001, +0,0008, +0,0035. Cặp seed {0,1} và {2,3} ngược chiều trên real (ΔCarta −0,0144 và +0,0089 tại p 0,998): nhiễu seed trên real cỡ ±0,005..±0,014 với 2 seed, nên các chênh lệch cỡ 0,005 của C2–C5 (2 seed, classifier riêng) chưa đáng tin. **C6 dừng, không chạy lại.**

**C7 (02/11, `--cv-k 3`, `clf_real_frac=0.25 clf_real_straddle=1 clf_real_synth=0`, jobs `7300`, `7301`, `7310`, `7311`, `7399`, `results/research/c7cv_real.csv`, `c7cv_pstay_lodo_s*.csv`)**: Carta có chuỗi nhãn giống hệt 100 % giữa mọi người với cùng mã T, nên chia theo cả người lẫn stimulus; chấm trên 300/900 trial AASD, 160/480 trial Carta. ΔH so với `sw2` trên cùng trial (seed 0 / 1), p 0,95: AASD −0,0032 / +0,0098, Carta −0,0342 / −0,0596; LODO −0,0288 / −0,0236. **C7 dừng, không chạy lại.** Mọi đánh giá huấn luyện trên chính tập thật phải tách stimulus, không chỉ tách người.

**D1–D3 (02/11, CBraMod, `fm_input.py`, `fm_embed.py`, `fm_screen.py`, `fm_models/`)**: đầu vào chung 64 Hz, 0,5–20 Hz, nhân quả (Carta chỉ có mức này). D1 (`7510`, `7511`) đang chạy. **D2, D3 giữ trong `runners/jobs/held/` (người dùng, 02/11)** vì không qua cổng định trước: vượt null ≥ 3 SE ở một tập real và LODO, **và** hơn EEG 4 Hz thường hoặc mix tăng d' classifier ≥ 5 %.
Đo tuyến tính (`results/research/fm_screen.txt`): embedding d' 0,09–0,12 trên LODO, 0,006 ± 0,008 AASD, 0,063 ± 0,011 Carta; EEG 4 Hz 0,15–0,29 / 0,012 / 0,089; classifier 0,47–0,71 / 0,084 / 0,244; tương quan với classifier 0,07–0,11; mix tăng tối đa +1,2 %. Đây là cận dưới (tuyến tính, 4 Hz, PCA giữ 56 % phương sai). Đang đo thêm `cbramod_nopca`, `cbramod_ch`, `brainomni` (`7600`–`7602`; BrainOmni đo theo cách không nhân quả trong patch, là cận trên, chỉ để sàng lọc).
Dữ liệu pretrain: không thấy tập AAD trong danh sách đã đọc (BrainOmni đọc một phần; LaBraM có phần tự thu không kiểm tra được). `docs_challenge/terms.txt` 5.3: đội tự chịu trách nhiệm về giấy phép dữ liệu ngoài; điều khoản TUH chưa đọc được, BIOT `six-datasets` nên tránh. Đội tự chạy trên test set, Docker không phải điều kiện.

**Mô hình nền tảng làm backbone (02–03/11)**: CBraMod, LaBraM, BrainOmni, EEGPT, BIOT nối thay `vlaai_ws` (`decoders.CBraModBackbone`, `fm_models/backbones.py`). Lỗi đầu: lấy trung bình token trên các cột làm A và B gần như hoán đổi (|g(A,B) − g(B,A)| ≈ 0,00009), loss kẹt ln 2; sửa bằng `ColumnReadout`. Fine-tune từ đầu vẫn ≈ 0; chỉ đóng băng hoặc LP-FT (`fm_freeze_steps`) học được (decoder val 0,071–0,074 so với `vlaai_ws` không pretrain 0,079–0,096). Classifier CBraMod sụp khi mở encoder. Decoder CBraMod LP-FT LODO: AVGC, DTU ngang hoặc kém `orgbase`, chậm ~15 lần. Mốc công bằng `orgbase` (không SparrKULee, không Fuglsang): decoder LODO 0,748 / 0,756, classifier 0,763 / 0,763.
**H1 (pretrain CBraMod khớp EEG–tiếng nói trên dữ liệu BTC, theo fold): người dùng dừng rồi cho chạy tiếp (03/11); USTC và các job đánh giá H1 chưa chạy, xem §10.2.** H5 (mô hình nền tảng khoá, chỉ nhận EEG, trước `vlaai_ws`, `fm_front`): xong, không có lợi, xem §10.2.

## 10. Cập nhật 2026-11-07: thí nghiệm 03–07/11 và metric mới

**Đọc trước:** mọi H trong mục này (trừ chỗ ghi "metric mới") dùng **metric cũ** `2·Acc·L/(Acc+L)` và cửa sổ tìm switch cũ, để so được với các mục trên. Metric hiện hành (`κ = max(0, 2·Acc − 1)`, `H = 2·κ·L/(κ+L)`, cửa sổ dừng ở switch kế tiếp) xem `CONTEXT_3_RULES.md` mục 4. Ô bảng ghi **H / Acc% / SDT giây**; LODO = trung bình 5 dataset synthetic; mốc so cùng seed.

### 10.1 Metric mới thay đổi bức tranh

- Đối chứng **chỉ kích thích** (`stimulus_only_runner.py`, EEG luôn bằng 0, 2 seed) theo metric cũ vẫn được AASD 0,605–0,626, Carta 0,524–0,538, LODO 0,527–0,529 với Acc ≈ 50 %. Nghĩa là metric cũ cho khoảng 0,5–0,6 H "miễn phí" từ L khi Acc ở mức ngẫu nhiên; khoảng cách thật giữa mô hình (AASD 0,633) và đối chứng chỉ là ≈ 0,01–0,03.
- Theo metric mới (chấm thử, file `bmms3_enhanced_ensemble_2seed_kappa_next_partial.csv`, **bản biên độc quyền cũ, chưa phải bản `inclusive` chốt**): ensemble tham chiếu (4+4 `sw2` + 25 % Transformer rate-aux) đạt LODO 0,631 (AVGC 0,546), **AASD 0,098**, Carta 0,297. AASD gần 0 vì Acc 52,6 % cho κ ≈ 0,05.
- Hệ quả: **Acc trung bình mỗi người là đòn bẩy chính**; giảm SDT không bù được Acc gần 50 %. Mọi kết luận "giữ/bỏ" ở §8 và bên dưới dựa trên metric cũ, cần xem lại sau khi chấm lại từ evidence (job `380b`, `387` trong queue `nested`).

### 10.2 Mô hình nền tảng (03/11): kết thúc phần sàng lọc

Chỉ dữ liệu BTC (không SparrKULee, không Fuglsang); mốc `orgbase`.

- **H5** (mô hình nền tảng khoá, chỉ nhận EEG, đặt trước `vlaai_ws`, `fm_front`; `logs/diag_front.log`, decoder 1 200 bước, tương quan val trên người khác). Mốc `vlaai_ws` 0,067 → 0,083 (đỉnh 0,090). Thêm vào EEG thô: CBraMod 0,080, LaBraM 0,081, BrainOmni 0,084, EEGPT 0,075 (đều trong nhiễu). Chỉ dùng đặc trưng mô hình nền tảng: ≈ 0, trừ EEGPT tăng muộn lên 0,082 (chậm hơn ~25 lần). BIOT ≈ 0 cả khi có EEG thô: nhiều khả năng lỗi nối, chưa kiểm chứng. **Không có lợi.**
- **Decoder CBraMod LP-FT, LODO 2 seed** (`cbramod__eaP_n5_t60_aug_cluster_onset_dom_org_lpftcbramod[_s1]`): H 0,741 / 0,741 so với `orgbase` 0,747 / 0,756; SNR1 kém ở 4/5 dataset; mỗi fold ~6 000 s so với ~350 s. Switch thật (`aasd_c1_lpftcbramodP_wlda_s*`, `ext_c1_Carta2026_lpftcbramodP_wlda_s*`): AASD 0,628 / 0,628 so với 0,634 / 0,635; **Carta 0,608 / 0,612 so với 0,628 / 0,623**. Kém cả hai phía.
- **H1** (pretrain tương phản EEG–kích thích cho CBraMod, theo fold): người dùng dừng rồi cho chạy tiếp ngày 03/11. Pretrain xong AVGC, DTU, KUL, UHD, ALL (val chọn đúng 2 luồng 0,72–0,73), **USTC chưa xong**. Lịch job mặc định (`runners/jobs/`) ngừng chạy khoảng 13:00 03/11; `7900_stimpt_USTC`, `79100`–`79111` (H1 decoder/classifier) và `79200_antisym_transformer` vẫn nằm trong `pending/` và **chưa từng chạy**. Muốn chạy phải dùng scheduler đang sống (queue `nested`) hoặc khởi động lại scheduler mặc định khi người dùng đồng ý.
- Tổng kết: mọi cách dùng mô hình nền tảng đã thử (backbone thay thế, LP-FT, front khoá) không vượt `vlaai_ws`. Chưa có quyết định chính thức dừng hướng này.

### 10.3 Bộ quyết định tầng 2: Transformer phản đối xứng trên logit (03–05/11)

Ý tưởng: thay HMM/trung bình cố định bằng Transformer phản đối xứng nhận 16 chuỗi bằng chứng (4 decoder + 4 DirectNet), chỉ dùng quá khứ, đặt trước HMM cố định. Huấn luyện tầng 2 trên bằng chứng **nested**: mô hình tầng 1 loại cả cặp dataset (dataset ngoài + dataset chấm), để dataset ngoài không rò vào dữ liệu tầng 2 (`nested_stack_base.py`, `nested_stack_decoder.py`, `nested_stack_fusion.py`). Không dùng nhãn AASD/Carta.

| Biến thể (2 seed tầng 2 trừ khi ghi khác) | LODO | AVGC | AASD | Carta |
|---|---|---|---|---|
| Mốc 4+4 `sw2`, HMM 0,998 (bản nested) | 0,7988 | 0,725 | 0,6380 / 52,8 / 13,4 | 0,6388 / 59,2 / 19,4 |
| Transformer thay hẳn (`nested_stack_fusion`) | 0,788 / 0,792 | 0,738 / 0,739 | 0,615 / 0,621 | 0,609 / 0,619 |
| + lịch switch đa dạng khi tạo dữ liệu tầng 2 (`nested_schedule_aug`) | 0,8002 / 0,7983 | 0,736 / 0,734 | 0,629 / 0,628 | 0,631 / 0,626 |
| + đầu phụ dự đoán tần suất switch (`switch_rate_aux`, 4 seed) | 0,7977–0,8023 | 0,731–0,741 | 0,627–0,630 | 0,622–0,633 |
| + che lịch sử ngắn / cắt ngẫu nhiên (`masked_rate`) | 0,7969 / 0,7999 | 0,729 / 0,735 | 0,629 / 0,631 | 0,626 / 0,625 |
| Trộn mốc + rate-aux, trọng số Transformer 0,25 (`rate_aux_baseline_ensemble`) | 0,8049 / 0,8037 | 0,735 / 0,734 | 0,637 / 0,636 | 0,643 / 0,640 |
| như trên, trọng số 0,5 | 0,8073 / 0,8044 | 0,746 / 0,742 | 0,636 / 0,634 | 0,642 / 0,638 |
| Trọng số học được (`learn_rate_mix`) | chọn α = 1 (= Transformer thuần) | | | |

- Transformer **tăng LODO và nhất là AVGC** (+0,01..0,02), nhưng **đứng riêng thì giảm switch thật** (AASD −0,007..−0,02, Carta −0,006..−0,03; Acc thật giảm ~1 điểm). Trộn 25 % gần như giữ switch thật (±0,003) và tăng LODO +0,005..+0,006. `learn_rate_mix` chọn α = 1 trên dữ liệu LODO, tức tiêu chí chọn trên synthetic kéo về phía hại switch thật.
- Kiểm tra (`audit_recipe_transformer.py`, `audit_masked_trained_evidence.py`, `audit_transformer_leakage.py`): đổi chỗ hai luồng cho logit đảo dấu chính xác (sai số 0), thay đổi tương lai không ảnh hưởng quá khứ (0), đối chứng âm (dịch bằng chứng 1 s về tương lai) bị phát hiện. Phép thử đầu vào thô dùng **mô hình thay thế** cho tầng 1 vì trọng số fold decoder không được lưu: đây là bổ sung, **chưa phải leakage test đầu-cuối**.
- `audit_masked_position.py`: Acc ở 8 s đầu bằng chứng 0,61 so với 0,69 về sau (che lịch sử không đổi điều này).
- Ghi chú LODO: `antisym_transformer_experiment.py` (bản đầu, không nested đầy đủ) có cảnh báo dataset ngoài có thể đã train tầng 1; dùng các bản `nested_*`.

### 10.4 Recipe tăng cường cho mốc 4+4 (04/11)

`runners/run_baseline_recipe_seed.sh`, 4 seed: decoder thêm gain toàn cục ±20 % và che thời gian (p 0,2, 0,25–1 s); DirectNet thêm switch số lần thay đổi (`recipe_var_switch`), đầu phụ tần suất switch (`aux_rate=1`, trọng số 0,1), nhiễu/gain/drop trên logit. Kết quả `results/research/baseline_recipe_4plus4.csv`:

| 4+4, a 0,5 | LODO p 0,998 | AVGC | AASD p 0,998 | Carta p 0,998 | AASD p 0,95 | Carta p 0,95 |
|---|---|---|---|---|---|---|
| `sw2` (mốc) | 0,7981 | 0,726 | 0,6380 | 0,6388 | 0,6486 | 0,6482 |
| recipe | 0,7937 | 0,715 | 0,6359 | 0,6428 | 0,6488 | 0,6509 |

Cặp seed {0,1}/{2,3}: LODO −0,0035 / −0,0061, real dao động ±0,005 (trong nhiễu seed). Classifier recipe đơn: LODO 0,789 / 0,773 / 0,783 / 0,771. Trộn 75 % recipe + 25 % Transformer (`recipe_transformer_ensemble.csv`, 4 seed): LODO 0,8001–0,8025, AASD 0,632–0,634, Carta 0,636–0,639: tăng LODO nhưng real không hơn mốc. **Chưa có quyết định giữ/bỏ.**

### 10.5 BMMS (kiến trúc theo BMMSNet, ICASSP 2024, 05–07/11)

Mã gốc `BMMSNet/` (MIT, QiuZelin) ở gốc repo; bản chuyển thể trong `bmms_env_model.py`, `bmms_enhanced_model.py` (thêm khối tăng cường EEG kiểu bản phát hành 2024), `bmms_3feature_model.py` (nhận env/onset/dom). Logit phản đối xứng chính xác, cửa sổ 10 s kết thúc ở thời điểm cho phép. DirectNet và BMMS chỉ khác thân.

| Classifier đơn + HMM 0,998 | LODO | AVGC | AASD | Carta |
|---|---|---|---|---|
| DirectNet chỉ envelope, không pretrain (`direct_env_runner`, 2 seed) | 0,554 / 0,531 (Acc 50–54 %: gần như không học) | | 0,605 / 0,606 | 0,538 / 0,527 |
| BMMS chỉ envelope, không pretrain (2 seed) | 0,725 / 0,724 | | 0,623 / 0,616 | 0,620 / 0,614 |
| BMMS + tăng cường EEG, envelope (4 seed) | 0,710–0,737 | | 0,613–0,627 | 0,606–0,608 |
| **BMMS3** (+ tăng cường EEG, env/onset/dom, pretrain SparrKULee, 2 seed) | 0,778 / 0,777 | 0,733 / 0,718 | 0,636 / 0,637 | **0,645 / 0,659** |
| DirectNet `sw2` cùng seed (`bmms3_vs_direct_sw2.csv`) | 0,789 / 0,776 | 0,723 / 0,717 | 0,629 / 0,627 | 0,640 / 0,643 |

- BMMS3 so với DirectNet `sw2` cùng seed: **switch thật tăng** (AASD +0,007/+0,010, Carta +0,005/+0,016; **Acc Carta 60,1–60,6 % so với 58,3–58,5 %**), AVGC +0,001..+0,010, nhưng LODO trung bình −0,011 / +0,000 (DTU, KUL, USTC giảm, SDT dài hơn).
- Thêm BMMS3 vào ensemble tham chiếu (4+4 `sw2` + 25 % Transformer rate-aux; `bmms3_enhanced_ensemble.csv`, BMMS thang logit cố định, chưa nested cross-fit riêng):

| Trọng số BMMS3 | LODO | AVGC | AASD | Carta |
|---|---|---|---|---|
| 0 (tham chiếu) | 0,8042 | 0,735 | 0,6361 / 52,6 / 13,3 | 0,6404 / 58,9 / 17,9 |
| 0,10 (TB 2 seed) | 0,8048 | 0,737 | 0,6372 / 52,6 / 12,9 | 0,6429 / 59,2 / 18,1 |
| 0,25 (TB 2 seed) | 0,8013 | 0,734 | 0,6391 / 52,6 / 12,7 | 0,6449 / 59,6 / 18,3 |

  Theo metric mới (bản thử, biên cũ): trọng số 0 / 0,10 / 0,25 → LODO 0,631 / 0,633 / 0,631, AASD 0,098 / 0,099 / 0,098, **Carta 0,297 / 0,304 / 0,315**.
- BMMS env / enhanced (không 3 đặc trưng) đưa vào ensemble đều làm giảm cả hai phía (`bmms_env_ensemble.csv`, `bmms_enhanced_ensemble.csv`).
- Còn chờ trong queue `nested`: `380b` chấm lại metric mới bản `inclusive`, `382` pretrain BMMS3 seed 3, `383`–`386` LODO/real seed 2–3, `387` ensemble 4 seed. Chưa leakage test đầu-cuối cho BMMS. **Chưa có quyết định giữ/bỏ.**

### 10.6 Ý kiến của trợ lý (người dùng quyết định)

- Dưới metric mới, hướng đáng giá là tăng **Acc trên switch thật**; BMMS3 là thành phần duy nhất trong đợt này tăng Acc thật (Carta +2 điểm, 2 seed). Transformer tầng 2 chủ yếu tăng synthetic.
- Trước giai đoạn test (09/11), cần: chấm lại các ứng viên bằng scorer `inclusive`; chạy leakage test đầu-cuối cho pipeline sẽ nộp; dựng script suy luận nộp bài.

## 11. Mục tiêu mới (người dùng, 07/11): tăng raw accuracy — danh sách thí nghiệm đề xuất

**Vì sao Acc là đòn bẩy** (đạo hàm metric mới tại điểm hiện tại của ensemble tham chiếu): +1 điểm Acc ≈ **+0,018 H trên LODO** (κ 0,47, L ≈ 0,97), **+0,036 trên AASD** (κ 0,05, L ≈ 0,85), **+0,028 trên Carta** (κ 0,18, L ≈ 0,90). Muốn có cùng mức tăng qua L phải tăng L 0,07–0,09 (SDT giảm rất nhiều). Vì vậy chỉ số chính từ nay: **Acc trung bình theo người** trên AASD, Carta, LODO (5 dataset + AVGC riêng); vẫn báo H mới, SDT.

**Tập test chỉ có EEG thô 128 Hz + envelope** (không có audio): mel/đặc trưng âm thanh khác không dùng được.

**Đã thử, không lặp lại** (`EXPERIMENTS_LOG.md`): gamma 30–48 Hz (50 % trên DTU/KUL), thêm dải delta/theta, giải mã không gian FBCSP/Riemann (49–53 % ngoài dataset), tự thích nghi trong trial bằng nhãn giả (−0,018..−0,001), InfoNCE, loss PCC tương phản (đã là loss hiện tại), mô hình nền tảng (§10.2), huấn luyện trên switch thật A1–A3, C7.

Nguồn tham khảo: người thắng ICASSP 2023 match-mismatch (trung bình nhiều bản decoder + ghép LDA, fine-tune theo người; arXiv 2312.09768), ICASSP 2024 (decoder gamma + envelope ghép LDA, 62,8 %; arXiv 2401.17380), BMMSNet (ICASSP 2024), thích nghi không giám sát KU Leuven (Geirnaert 2022; Yao 2025 arXiv 2509.14764 về thiên lệch khởi tạo), Liang 2026 (arXiv 2601.20542), Tanveer 2026. ICASSP 2026 EEG-AAD là giải mã hướng từ EEG không có kích thích, ít liên quan.

| # | Thí nghiệm | Căn cứ | Chi phí | Ghi chú |
|---|---|---|---|---|
| R0 | Chấm lại mọi ứng viên bằng scorer `inclusive`; bảng Acc theo người | metric mới | CPU, đang có job `380b` | điều kiện cho mọi so sánh |
| R1 | Chọn lại bộ quyết định theo Acc: lưới p_stay, B1, tỉ trọng decoder/classifier a, `DEC_OFFSET`, dùng hết lookahead 1 s (hiện 0,75–0,97 s) | đạo hàm trên; ở metric cũ p 0,95 cho Acc thật cao hơn p 0,998 (AASD 53,8 so với 52,8) | CPU, vài giờ | chọn trên LODO, chỉ kiểm tra trên thật |
| R2 | Chẩn đoán trần AASD: Acc từng người, quét độ trễ EEG–envelope theo người, null xáo nhãn, trần có giám sát trong AASD (tách người + stimulus) | Acc AASD 52 % ≈ ngẫu nhiên; chưa từng làm | CPU/GPU nhỏ | quyết định AASD có cứu được không, hay chỉ là nhiễu |
| R3 | BMMS3 đủ 4 seed; thử thay DirectNet bằng BMMS3 trong 4+4 và 4+4+4 | thành phần duy nhất tăng Acc thật (Carta +2 điểm) | GPU, đang trong queue `nested` | cần leakage test |
| R4 | Cửa sổ dài hơn cho classifier (15, 20 s) và ensemble nhiều cửa sổ | 10 s được chọn theo metric cũ (H 0,769 so với 0,763 ở 20 s); Acc cửa sổ tăng theo độ dài | GPU, 2 seed × 2 cửa sổ | rủi ro: switch thật mỗi ~10 s ở AASD |
| R5 | Ensemble rộng: 8 seed mỗi thành phần, snapshot ensemble | người thắng 2023: trung bình nhiều bản tăng Acc | GPU, chỉ train thêm | trước đây 2→4 decoder +0,001 H (metric cũ) |
| R6 | Giá trị quần thể của căn chỉnh Euclid tính từ toàn bộ dữ liệu train (hiện chỉ Fuglsang) | việc mở từ 07/10 | rẻ | |
| R7 | Thêm dữ liệu ngoài cho pretrain classifier/decoder: bộ Cocktail Party (Power/Broderick, Dryad; job convert cũ lỗi), các bộ AAD công khai khác | dữ liệu nhiều hơn là đòn bẩy chính khi khác người | GPU + kiểm tra giấy phép | không dùng NJUSUS2026, DLAAD2021 (tập test) |
| R8 | Thích nghi thống kê chuẩn hoá nhân quả trong trial (AdaBN chạy) | khác tự huấn luyện bằng nhãn giả, không cần nhãn | rẻ | hướng tự thích nghi cũ thất bại; Yao 2025 chỉ đáng thử nếu trial test dài |
| R9 | Fine-tune bộ quyết định tầng 2 với mục tiêu Acc (cross-entropy theo mẫu, không phải H) | Transformer tầng 2 tăng Acc LODO 0,4–0,8 điểm nhưng giảm Acc thật ~1 điểm | GPU nhỏ | ưu tiên thấp |

Tiêu chí đề xuất (người dùng chốt): ≥ 2 seed, cùng seed với mốc; Acc thật (AASD, Carta) tăng ≥ 0,5 điểm và Acc LODO không giảm quá 0,5 điểm; qua kiểm tra đổi cột, bất biến vị trí, lookahead.

Thứ tự đề xuất: R0 → R1, R2 (CPU, song song) → R3 (đang chạy) → R4, R6 → R5 → R7 → R8, R9. Giai đoạn test 09/11–08/12 cho phép tiếp tục thí nghiệm trong lúc test, nhưng chỉ 2 lần nộp (lần sau cùng được tính).

### 11.1 Cải tiến tập trung vào mô hình (đề xuất 07/11, chưa chạy)

Dữ liệu mới (`baseline_4plus4_kappa_balanced.csv`, scorer `inclusive`, 4+4 `sw2` nested): Acc LODO cao nhất ở HMM 0,998 (TB 73,4 %), còn trên thật p 0,90–0,95 cho Acc cao hơn ~1 điểm (AASD 53,8–53,9 % so với 52,8 %; Carta 59,6–59,7 % so với 59,2 %); H mới AASD 0,106 → 0,139–0,143, Carta 0,306 → 0,317–0,320. Bộ quyết định chỉ cho ~1 điểm; phần còn lại phải đến từ mô hình.

Kiến trúc đã thua `vlaai_ws` (không lặp lại): CCA, FBCCA, WF, VLAAI gốc, SSMamba, Deformer, LSM-CNN, SimpleCNN, ADT, HappyQuokka, InfoNCE, đối kháng miền, mô hình nền tảng, Transformer tầng 2 (giảm Acc thật).

| # | Thí nghiệm | Căn cứ | Chi phí |
|---|---|---|---|
| M1 | Ensemble nhiều bản: 8 → 16 seed cho decoder, DirectNet, BMMS3 (hoặc snapshot) | đội thắng ICASSP 2024: trung bình logit 16 bản, 59,97 % → 62,80 % (+2,8 điểm) | GPU, chỉ train thêm seed |
| M2 | BMMS3 đủ 4 seed, rồi 4 decoder + 4 BMMS3 và 4+4+4 | thân duy nhất tăng Acc thật (Carta +1,9 điểm, 2 seed) | đang trong queue `nested` |
| M3 | Classifier "nút thắt tương quan" kiểu AADNet: nhánh EEG Inception đa thang (0,3–0,6 s), nhánh envelope dùng chung cho A và B, quyết định từ tương quan Pearson theo kênh giữa đặc trưng EEG và từng luồng | AADNet tốt nhất ở chế độ khác người; BMMS (cũng so khớp tương đồng) là thân duy nhất tăng Acc thật; tương quan bất biến thang đo, ít học "dấu vân tay" dataset | GPU, cần viết mô hình mới + test nhớ 16 cửa sổ |
| M4 | Nhân quả + phi nhân quả tách nhánh (kiểu CA-TCN 2026) dùng đúng lookahead 1 s: EEG có thể nhìn tới t + 1 s, kích thích chỉ quá khứ | CA-TCN +0,5..3,2 % so với AADNet khi khác người; hiện decoder dùng 0,5 s, classifier 0,75 s | GPU, sửa thân |
| M5 | Cửa sổ dài và đa thang: classifier 20–30 s, hoặc một mô hình gộp 5/10/20 s | AADNet: Acc khác người tăng mạnh theo cửa sổ (DTU 57,5 % @1 s → 89 % @40 s); 10 s được chọn theo metric cũ | GPU; rủi ro trên AASD (switch ~10 s) |
| M6 | Chưng cất: thầy cửa sổ dài (30 s, train ngoại tuyến) dạy trò 10 s nhân quả | trò thừa hưởng độ chính xác của cửa sổ dài mà không thêm độ trễ | GPU, mới |
| M7 | Một thân, hai đầu: tái tạo envelope + phân loại (E5) | gộp hai tín hiệu giám sát; Tanveer 2026 (tương phản + tái tạo) tốt hơn mô hình không tương phản | GPU |
| M8 | Nhánh kích thích học được: conv đa thang trên env/onset/dom (+ đạo hàm, log-envelope) thay đặc trưng cố định | tập test chỉ có envelope; tận dụng tối đa nó | GPU, rẻ |

Thứ tự đề xuất: M1 và M2 (rẻ, có bằng chứng) → M3 (giả thuyết mạnh nhất) → M4, M5 → M6, M7, M8. Báo Acc trước, rồi H mới; ≥ 2 seed; test nhớ 16 cửa sổ trước khi xếp hàng; kiểm tra đổi cột và lookahead.

**Trạng thái R0–R3 (07/11, 14:00 giờ VN):** đã xếp vào queue `nested` sau `386`–`388`: `390_r1_acc_grid` (`r1_acc_decision_grid.py`, lưới a × p_stay trên 4+4 nested, Acc từng người; a 0,5 / p 0,998 tái lập chính xác `baseline_4plus4_kappa_balanced.csv`), `391_r2_aasd_diag` (`r2_aasd_diagnostics.py`), `392_r3_bmms3_combos` (`r3_bmms3_combos.py`, chờ `386`). Thử sơ bộ (không phải kết quả chốt): chỉ 6/18 người AASD cao hơn 50 % có ý nghĩa (null đổi dấu theo trial), Carta 21/24; Acc tăng khi dịch nhãn +4..6 s (AASD 52,8 → 55,6 %, Carta 59,2 → 63,0 %); DTU 4+4+4 BMMS3 Acc 76,50 % so với 75,83 %. Phần R0 chấm lại các ứng viên khác do job `380b`–`380e`, `387`, `388` (người khác xếp) đảm nhận.

**Quyết định 07/11 (người dùng): bỏ nhóm lọc tín hiệu mắt** (A1–A6 trong `ACC_EXPERIMENT_PLAN.md`: SSP, hồi quy EOG ảo, ICA, ASR, tăng cường chớp mắt, chẩn đoán). Không chạy. Căn cứ: đối chứng bỏ kênh trán không đổi Acc (±0,004).
