BCI 科研雷达

基于摘要分析。本文研究时序基础模型在混合不同数值尺度的数据集上训练时，损失计算方式如何改变各序列的训练权重，提出在缩放后的目标上计算损失的尺度不变训练（ScaleIn），并给出理论分析与预测实验。 核心机制是区分输入归一化与损失计算空间。作者指出，Reversible Instance Normalization（ReVIN）等仿射缩放方法若在计算损失前逆变换回原始尺度，相比在缩放目标上计算损失，每条序列的梯度会被乘以 b^p，其中 b 为缩放分母（如标准差），p 为损失的齐次次数。作者将其称为尺度污染训练（ScaleCon）：原始数值尺度成为隐式重要性权重，使大尺度序列主导训练。作者证明，在缩放器具有尺度等变性、残差损失为 p 次齐次函数的条件下，ScaleIn 可使每个 mini-batch 的梯度及整个优化轨迹对训练序列各自独立的任意重缩放保持不变；适用损失包括 MSE、MAE 和 Quantile Loss。这是有条件的尺度不变性结论，不等同于对所有归一化与损失组合均有效。 作者报告，在合成与真实数据的受控研究中观察到两类训练目标的收敛差异；在四种 TSFM 架构的预训练评估中，ScaleIn 在全部 24 个架构—基准比较中降低 MASE，各 TSFM 的平均降幅在 GIFT-Eval 上为 18.8%，在 M-competitions 上为 21.9%。作者还报告，在监督式神经预测的 20 个匹配设置中，有 16 个设置降低 MASE，并称多数现有预测流程可通过一行代码修改采用该方法。具体架构、训练规模、数据划分、基线配置、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能对应 EEG 跨被试、跨会话或跨设备训练中的幅值差异，但原领域结果不等于 BCI 效果。可复用的是连续值预测或重建任务中缩放目标与损失空间的一致性；需核对按通道还是按试次缩放，以及逆变换的位置。若幅值本身包含任务信息，或低信噪比、小数据条件下尺度估计不稳定，等权化也可能削弱有效信号。一个可检验的小实验是在固定 EEG 预测划分、模型与随机种子的前提下，仅比较 ScaleCon 与 ScaleIn，并对训练序列独立重缩放，检验梯度一致性及测试误差；分类损失不能直接套用上述结论。已有 EEG 相关工作尚未检索确认。

作者：

Ignacy Stepka; Willa Potosnak; Kin G. Olivares; Artur Dubrawski

机构：

尚未验证

发表平台：

arxiv

标识：

2610.07324

学术质量 84 / 100 · 兴趣权重 3 · 机制对应，EEG/BCI 效果尚未验证

• arxiv · v1 · 2026-10-05 · 预印本

基于摘要分析。研究考察带协变量的时序基础模型能否利用上下文回答受迫工程系统的反事实问题，即未来输入变化会如何改变输出。作者通过精确反事实对照诊断动态响应缺陷，并尝试以推理时上下文扰动和合成受迫系统微调修复。 研究比较 Chronos-2、TimesFM-2.5、TabPFN-TS 与使用相同上下文拟合的经典系统辨识方法。作者报告，通过默认协变量接口，TimesFM-2.5 和 TabPFN-TS 对输入变化的预测效应呈无记忆特征，即仅依赖同一时刻的输入变化；Chronos-2 能在上下文中辨识动态，但预测效应仅为真实效应的 0.33–0.80，恢复的脉冲响应形状也不正确。这些结论针对所测接口与系统，不宜外推为模型所有配置下的性质。 作者报告，在单自由度振子实验中，Chronos-2 使用 8192 个上下文样本时误差趋于 0.57，而 ARX 使用 256 个样本时达到 0.02；摘要未说明该误差的定义与归一化方式。推理时上下文扰动在全部六类合成系统上降低了反事实预测误差。一次耗时 26 分钟的合成受迫系统微调将响应敏感度恢复至 0.83–0.96，并在 Wiener-Hammerstein 和留出的摩擦系统类别上优于不预设结构的辨识方法；硬件及训练配置尚未验证。使用相同数据训练的专用上下文辨识器表现接近，作者据此认为受迫系统训练数据贡献了大部分增益。 边界同样重要：作者报告，在四个实测系统中的三个上，经典辨识仍明显更优，且微调损失了部分单变量预测能力。成对反事实输入与实测记录中打乱的未来输入共同检验接口能否表达动态、预训练先验是否覆盖系统时间尺度；作者指出，只有反事实配对暴露了响应衰减。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该诊断思路可能用于具有明确外部输入的 EEG 刺激响应建模，而非直接用于一般 BCI 分类。可复用反事实配对与脉冲响应检验，但需改造通道表示及被试条件建模；低信噪比、潜在混杂和小数据可能使真实响应无法辨识。一个小实验是在已知输入—响应卷积系统中加入 EEG 背景噪声，比较基础模型与 ARX 的响应恢复误差，并留出响应时间尺度测试泛化。已有 EEG 相关工作尚未检索确认。

作者：

Hong-In Won

机构：

尚未验证

发表平台：

arxiv

标识：

2610.08118

学术质量 82 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• arxiv · v1 · 2026-10-06 · 预印本

基于摘要分析。研究针对代码 LLM 微调成本较高的问题，提出 CogAdapt：利用人类阅读代码时的 EEG 与注意数据，学习程序级和 token 级认知先验，并据此选择性更新模型，以兼顾代码生成性能与适应参数规模。 核心机制是将可迁移的认知先验与冻结模型对各编码任务的响应相结合，决定适应规模及需要更新的 transformer blocks；微调期间仅更新选定模块，推理时不需要新增人类记录。与摘要所述通常更新较大部分模型的人类认知对齐方法相比，其重点不是仅用认知信号指导学习内容，而是进一步指导更新位置和规模。先验的具体学习目标、EEG 预处理、注意数据获取方式及模块选择规则尚未验证。 作者报告，在 Qwen 和 GLM 上，人类阅读行为与 Mixture-of-Experts（MoE）计算表现出一致对应关系。作者报告，CogAdapt 在 LiveCodeBench 和 BigCodeBench 的所比较设置中取得最佳 pass@1；其中在 LiveCodeBench 上，相较匹配的常规微调，提升分别为 10.86 和 6.29 个百分点，同时可参与梯度更新的适应参数减少 86.21–87.21%。摘要未明确各数值对应的模型配置，也未提供绝对 pass@1、数据划分或统计不确定性；参数减少不能直接等同于训练时间、显存或总计算成本同比下降。 该工作将 EEG 作为代码模型适应的认知指导信息，而非直接研究 BCI 解码。关键核对事项包括认知先验跨程序、任务及被试的可迁移性，认知信号相对纯模型响应选择策略的增益，以及匹配微调的参数预算和训练预算。被试数量、记录协议、训练与评估划分、消融、统计信息及代码可用性尚未验证，不能据此推断其适用于其他 EEG 任务。

作者：

Yueke Zhang; Zihan Fang; Kevin Leach; Yu Huang

机构：

尚未验证

发表平台：

arxiv

标识：

2610.07446

学术质量 80 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• arxiv · v1 · 2026-10-05 · 预印本

基于摘要分析。该学位论文研究知识图谱嵌入（KGE）在输入知识、随机训练与预测输出三个环节的不确定性，提出互补、模型无关的处理方法，目标是从预测准确性推进到具有可靠性保证的知识图谱推理。 在算法不确定性方面，作者报告，相同设置下训练的模型仍可能产生明显不同的预测，并提出基于投票的聚合框架以缓解不稳定性。摘要未提供重复训练次数、聚合规则、对照方法或改善幅度，不能据此判断稳定性收益及计算代价。 在预测不确定性方面，论文将 conformal prediction 适配到 KGE，通过构造答案集合提供分布无关的覆盖保证，并进一步扩展至谓词条件可靠性保证。阅读重点是校准数据如何组织、覆盖保证依赖哪些假设，以及集合大小与覆盖水平之间的权衡；“分布无关”不应解读为任意分布变化下均有效。 在知识不确定性方面，论文为带置信度分数的三元组构建统计有效的预测区间，并提出基于嵌入的方法，近似执行统计本体上的概率推理，作者称其具有形式化健全性保证。区间的目标量、置信度语义、近似推理范围及保证条件尚未验证。摘要未给出数据集、量化结果或实现信息，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其与 EEG/BCI 的潜在联系是输出可靠性评估，而非直接复用知识图谱推理。假设 conformal prediction 的校准机制可适配 EEG 分类，可保留答案集合构造思路，但需将实体—谓词评分改为 EEG 类别评分，并重新验证适用条件。低信噪比、小规模校准集及跨被试、跨会话分布变化可能使集合过大或覆盖不足。一个可检验的小实验是在固定 EEG 解码器上划分互不重叠的训练、校准和测试数据，分别考察被试内与跨被试条件下的覆盖率和集合大小；该实验不构成本文已验证结果，已有 EEG 相关工作尚未检索确认。

作者：

Yuqicheng Zhu

机构：

尚未验证

发表平台：

arxiv

标识：

2610.06974

学术质量 79 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• arxiv · v1 · 2026-10-03 · 预印本

基于摘要分析。该研究关注语音基础模型（SFM）的鲁棒性能否在未来下游任务尚未确定时预先学习，从而避免每个任务都进行完整的对抗微调。作者提出分层表征稳定化，并在下游干净数据适配之后仅优化分类器间隔，将骨干鲁棒化与任务适配分离。 核心机制：对冻结骨干与线性分类器，作者从表征稳定性和决策边界间隔的相互作用解释鲁棒性。方法在多个隐藏层稳定表征，而非仅处理最后一层，同时保留干净输入的表征；下游适配先学习层融合与轻量分类器，再固定所选层混合，仅扩大分类器间隔，此阶段不生成下游对抗样本。具体稳定化目标、干净表征保持约束、训练流程与间隔优化方式尚未验证。 作者报告，在 Wav2Vec2、HuBERT 和 WavLM Large 的四项任务上，使用自适应 30 dB 攻击评估，共覆盖 12 个骨干—任务组合；分层鲁棒化使 Robust Accuracy 提升 46.4 个百分点，间隔优化再增加 4.0 个百分点，代价为 Clean Accuracy 下降 1.1 个百分点。摘要未明确这些增益的对照基线与汇总方式，也未列出任务、数据集及划分；攻击约束、实验协议、消融及统计信息尚未验证。作者提供了代码与配置，但运行条件及复现结果尚未核对。 平台推测（待验证）：迁移假设是，若 EEG 基础模型也采用冻结骨干、可学习层融合和线性分类器，该方法可能用于分离表征扰动敏感性与分类间隔不足两类问题。可复用思路是多层稳定化与适配后间隔优化，但扰动模型需改为符合 EEG 振幅、频带及通道结构的约束；语音攻击下的有效性不等于 EEG/BCI 有效。低信噪比、跨被试差异、通道变化和小样本可能使稳定化压制任务相关信号，或使扩大训练间隔无法改善泛化。一个可检验的小实验是在固定跨被试划分下，对比原始冻结骨干、仅分层稳定化、仅间隔优化及二者组合，分别报告干净与受约束扰动下的 Accuracy。相关 EEG 工作尚未检索确认。

作者：

Aref Mousavi; Shahab Sherafat; Kiarash Kiani Feriz; Amirparsa Safari; Raoof Zare Moayedi; Mohammad Hossein Rohban; Mohammad Sabokrou

机构：

尚未验证

发表平台：

arxiv

标识：

2610.05310

学术质量 79 / 100 · 兴趣权重 3 · 机制对应，EEG/BCI 效果尚未验证

• arxiv · v1 · 2026-10-04 · 预印本

基于摘要分析。Anlu 研究时序异常检测（TSAD）中异常判定依赖运行状态的问题：同一查询序列中的模式，在不同正常规则下可能具有不同标签。其核心贡献是通过反事实监督训练模型利用参考序列，并在推理时保持模型参数固定，实现参考条件化的上下文学习（ICL）。 机制上，训练将同一查询与两条支持不同正常规则的参考序列配对，分别提供对应标签。在两组标签不一致的位置，忽略参考的检测器无法同时拟合两个目标，从而约束模型学习参考与异常判定之间的关系。Anlu 在一个已针对异常检测预训练、参数冻结的时序基础模型（TSFM）上添加参考记忆和零初始化门控适配器；具体记忆结构、适配器配置及损失形式尚未验证。 作者报告，在 350 条 TSB-AD-U 评估序列上，Anlu 将冻结 TSFM 的平均 VUS-PR 从 0.542 提升至 0.607；将参考替换为全零后，Anlu 的分数降至 0.499。这一干预结果支持模型预测依赖参考输入，但尚不能据摘要确定参考质量、参考分布变化及不同异常类型下的稳健性。训练数据、参考构造与选择方式、数据划分、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 异常标签确实随被试或状态对应的正常规则变化，该机制可能帮助缓解固定异常标准难以跨被试或跨会话适用的问题。可复用的是反事实配对监督与参考条件化机制；需改造参考记忆以处理 EEG 通道布局、采样率及伪迹。其前提是能够构造可信的参考及条件标签，低信噪比、参考受污染和小数据可能使模型学习伪相关。一个可检验的小实验是在具有明确状态标签的 EEG 数据上，对同一查询配置两种参考，比较正确参考、交换参考和全零参考下的预测及条件标签一致性。该实验仅为迁移假设，不构成已验证的 EEG 效果；已有 EEG 相关工作尚未检索确认。

作者：

Tian Lan; Yifei Gao; Yimeng Lu; Xuming An; Meng Wang; Yue Pan; Wenjun He; Chen Zhang

机构：

尚未验证

发表平台：

arxiv

标识：

2610.06180

学术质量 78 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• arxiv · v1 · 2026-10-05 · 预印本

基于摘要分析。本文研究多模态、高维系统在测试时如何避免昂贵且冗余的全量测量，并在下游任务或预测目标未知的情况下，顺序选择有信息量的模态。作者提出任务无关的自监督模态采集原则 ECHO-k，以深度模型的内部预训练表征作为代理目标，用于概括跨模态信息并指导采集。 核心机制是以表征目标替代特定下游任务的监督信号。作者在简化的线性设定下提供理论保证，并据此构建用于顺序模态选择的强化学习（RL）策略。摘要未说明代理目标的具体构造、优化损失、策略状态与奖励，以及采集成本如何计入预算，相关实现细节尚未验证。 作者报告，在与任务无关、无标签的采集基线比较时，ECHO-k 在多种基础模型后端上持续改善预算约束下的下游性能。摘要未提供数据集、预算定义、评估划分、指标或改善幅度，不能据此量化收益或比较不同协议；实验协议、消融及统计信息尚未验证。线性设定下的理论保证也不能直接视为复杂非线性多模态场景的保证。 平台推测（待验证）：该机制可能用于 EEG 与其他模态联合测量时的成本控制，或经改造后用于 EEG 通道组选择。迁移假设依赖预训练表征能够保留下游所需信息，以及模型能够处理部分观测；可复用代理表征目标和顺序采集策略，但需改造观测接口、采集动作与成本定义。EEG 的低信噪比、跨被试差异、通道相关性及小数据可能导致策略追逐不稳定表征，或忽略任务关键但表征不敏感的信息。一个可检验的小实验是固定预训练编码器，在相同采集预算与跨被试划分下，比较代理表征驱动的通道组选择与随机、固定通道组选择，并仅在最终评估阶段使用下游标签；该实验属于迁移验证建议，并非原文结果。已有 EEG 相关工作尚未检索确认。

作者：

Eeshaan Jain; Linus Bleistein; Bart Deplancke; Charlotte Bunne

机构：

尚未验证

发表平台：

Advances in Neural Information Processing Systems, 40 (2026)

标识：

2610.03454

学术质量 76 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• arxiv · v1 · 2026-10-02 · 正式发表

基于摘要分析。该研究针对高维强化学习中通用时间抽象难以有效发现的问题，提出在线深度 RL 智能体 Wayfarer：从高维观测中通过 Laplacian representation learning 发现 options，并将其用于控制，以改善探索、长期信用分配与泛化。 核心机制是把 options 作为时间抽象，使控制不局限于逐步选择原始动作。摘要将既有方法的瓶颈概括为适用领域较简单、依赖手工或准符号表征，或相对不使用 options 的学习方式收益有限；Wayfarer 则被作者描述为通用、领域无关的方法。其表征学习目标、option 的启动与终止规则、发现过程与控制策略如何联合训练，尚未验证。 作者报告，所发现的 options 同时改善探索、加速信用分配，并能泛化到未见设置；在最具挑战性的 Atari 2600 游戏上，Wayfarer 达到 single-stream 智能体中的最先进表现，较大收益出现在需要长时程探索与策略行为的 Montezuma's Revenge 和 Private Eye。摘要未给出具体分数、训练交互预算、基线名单或“未见设置”的定义，不能据此量化收益或外推到其他评估协议；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 BCI 任务存在可重复的状态转移结构与延迟奖励，基于表征发现时间抽象的机制可能有助于闭环控制中的长期决策，但 Atari 有效不等于 EEG/BCI 有效。可复用候选是表征学习与 option 发现机制，需改造观测编码、奖励及安全约束；低信噪比、跨被试差异、通道变化和小数据可能使所学结构不稳定。一个可证伪的小实验是在固定 EEG 闭环仿真任务与相同交互预算下，对比使用和不使用所发现 options 的智能体，并核对收益是否在跨会话测试中保留。相关 EEG 工作尚未检索确认。

作者：

Erik M. Lintunen; Marlos C. Machado

机构：

尚未验证

发表平台：

arxiv

标识：

2610.03604

学术质量 76 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• arxiv · v1 · 2026-10-02 · 预印本

基于摘要分析。该研究针对 EEG 睡眠分期级联中的第一阶段：在给定接受风险目标下，让固定主分类器尽可能多地接受自身预测，将其余片段交给更强模型。作者提出 COVER（COVerage-oriented Error Ranking），通过辅助信息驱动的主分类器错误学习与固定尺度评分器细化，提高可接受预测的覆盖率，而不改变主分类器的预测标签。 核心机制包含两步：首先，用学习得到的错误评分替代最大 softmax 概率（MSP），以识别主分类器更可靠的预测；随后，在经验接受风险约束下直接优化覆盖率，而非仅优化所有 EEG 片段上的错误预测准确性。摘要未说明辅助信息的具体来源、评分器结构、损失形式及固定尺度细化的实现，这些细节尚未验证。 作者在 Sleep-EDF-20 上以 5% 接受风险为目标进行评估，被试从所有拟合与选择流程中留出。作者报告，在相近的被试等权风险下，辅助信息驱动的错误学习将平均被试覆盖率从 MSP 的 31.5% 提升至 48.8%。在每名被试接受片段数相同、合计接受 20,639 个片段的比较中，MSP 与学习评分器的错误数分别为 1,467 和 867。作者还报告，固定尺度细化在嵌套开发评估中相对初始化增加了 1.7 个百分点的覆盖率；最终 COVER 在八种评分器中取得最高平均覆盖率，为 50.4%，对应被试等权风险为 4.5%，比较方法 SELE 与 DuoF 的覆盖率分别为 49.3% 和 43.6%。摘要未给出后二者各自的风险值，不能据此认定它们处于完全相同的风险水平。 阅读与复现时应重点核对辅助信息如何参与训练、风险阈值与评分器的选择流程、嵌套开发协议、被试间风险差异及统计不确定性。该工作评估的是级联入口的选择机制，覆盖率收益不等同于完整级联的计算节省或最终睡眠分期性能提升；完整级联表现、实验协议细节、消融及统计信息尚未验证。

作者：

Yukai Song; Yangfan Deng; Jijun Yin; Zhi-Hong Mao; Jingtong Hu

机构：

Department of Electrical and Computer Engineering, University of Pittsburgh; Department of Electrical and Computer Engineering, University of Maryland, College Park

发表平台：

arxiv

标识：

2610.03911

学术质量 76 / 100 · 兴趣权重 3 · 按原研究证据理解，不推断适用范围

• arxiv · v1 · 2026-10-02 · 预印本

基于摘要分析。研究针对时间序列基础模型（TSFMs）可能同时准确重建或预测正常与异常模式、导致误差型异常评分失去区分能力的问题，提出轻量、即插即用的 Normality Constraint Learning（NCL）。其核心贡献是在不修改预训练参数的条件下，将模型的广泛模式建模能力约束到目标时间序列的正常结构。 机制上，NCL 从少量正常 patch 特征构建紧凑的正常性子空间，通过对比约束形成紧凑且具有区分性的正常性流形，并在该子空间内自适应地引导各 patch 特征向正常结构靠拢。校准后的特征经聚合以强化正常成分，再与原始 TSFM 输出融合，以扩大正常与异常观测在重建或预测误差上的差异。摘要未提供子空间构建算法、对比损失形式、融合方式及额外训练成本，这些实现细节尚未验证。 作者报告，在多类 TSFM 与多个基准上的实验中，NCL 持续改善异常检测性能；但摘要未列出具体模型、数据集、指标、数值、划分或对照基线，不能据此判断改善幅度及适用边界。复现时需核对正常 patch 的来源与筛选条件、异常评分和阈值设定，以及不同组件的消融与统计信息；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若用于 EEG 异常片段或伪迹检测，NCL 的正常结构约束可能缓解基础模型将异常也重建得过好的问题，但这不等同于已验证的 BCI 解码收益。该假设依赖少量正常片段能够代表目标分布；可复用正常性子空间与特征校准思路，需适配 EEG 的多通道特征、patch 划分及评分方式。低信噪比、跨被试或跨会话差异、通道变化及小数据可能使正常子空间不稳定，或将有意义的神经活动误判为异常。一个可检验的小实验是在固定被试内划分、相同冻结骨干和相同正常训练片段下，对比原始误差评分与 NCL，并改变正常片段数量以检验收益稳定性。已有 EEG 相关工作尚未检索确认。

作者：

Xiaohui Zhou; Yijie Wang; Hongzuo Xu; Weixuan Liang; Guansong Pang

机构：

尚未验证

发表平台：

arxiv

标识：

2610.06453

学术质量 73 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• arxiv · v1 · 2026-10-05 · 预印本

基于摘要分析。研究针对 EEG 中 EMG 伪迹与神经活动在空间和频谱上重叠、盲源分离后仍可能存在混合源，以及可靠成分级真值稀缺的问题，提出结合频率感知高维表征与 Multi-Instance Learning 的弱监督框架，用 epoch 级标签学习更细粒度的伪迹评分，并据此进行衰减。 核心机制是将分离后的成分展开为频率分辨的成分内子成分（intra-components），以提高混合神经活动与肌肉活动的可分性。Multi-Instance Learning 则利用较粗粒度的 epoch 标签，为各子成分学习伪迹可能性评分，无需提供更细粒度的真值。该研究的重点是细化检测与评分引导的衰减，而非直接将整个混合成分判为伪迹并移除；具体分离算法、表征构造、标签生成、学习目标及衰减规则尚未验证。 作者报告，在留出被试的评估中，框架学到了有信息量的子成分评分，并减少了伪迹相关的频谱偏差：下颌紧张条件下效果最明显，抬眉条件下效果中等，皱眉条件下效果有限。这表明摘要所述效果随肌肉活动类型而变化，不能外推为对所有 EMG 伪迹均有效，也不能仅凭频谱偏差降低认定神经信号得到完整保留。 摘要未提供数据集名称、被试数量、具体划分、基线、数值指标或统计检验。实验协议、消融及统计信息尚未验证；复现需核对 epoch 标签与子成分之间的映射、留出被试的训练与测试流程，以及评分到衰减强度的转换方式。还需通过神经信号保真度或下游任务指标，验证其是否在减弱肌电污染的同时避免损伤有效 EEG。代码与数据可用性尚未验证。

作者：

Lu Wang-Nöth; Hai Huang; Philipp Heiler; Shuqiong Wu; Liyun Zhang; Helmut Mayer

机构：

尚未验证

发表平台：

arxiv

标识：

2610.09792

学术质量 72 / 100 · 兴趣权重 3 · 按原研究证据理解，不推断适用范围

• arxiv · v1 · 2026-10-07 · 预印本