#Calibration

检测到偏移还不够：线性表征修复的精确极小极大极限

基于摘要分析。研究关注两个数据源之间的均值偏移：能够检测到偏移，并不意味着能在有限表征失真下将其有效消除。作者将校正建模为统计决策问题，从配对校准测量的带噪差值中学习一个同时作用于两个数据源的线性映射，并推导其在新数据上的精确有限样本极小极大风险。 在 d 维空间、失真预算允许删除 k 个方向的设定下，作者报告风险为 (d−k) E[1/(d+2J)]，其中 J∼Pois(κ/2)，κ 为校准信噪比。作者报告，投影去除校准均值差的方向可达到该界，且不需要知道 κ 或噪声尺度。摘要未提供风险的完整定义及归一化方式，公式的具体适用条件尚需核对全文。 核心结论是检测与修复之间的样本信息需求不同：作者报告，检测偏移只需 κ≫√d，而在固定失真约束下消除固定比例的偏移需要 κ≍d，与估计偏移方向的需求相当。摘要指出，MP、SAL、LEACE 等线性概念擦除方法消除的是同一校准差值，因此该公式可用于预测它们在新数据上的残余偏移，并估算达到目标所需的校准量；这些方法与理论决策类之间的具体对应条件尚未验证。 作者还报告，配对设计使该精确极限对非高斯共享内容保持成立，投影在各向异性噪声下仍有保证，选择性弃权也不能弥合检测与修复的差距；不同情形下保证的具体形式需全文确认。 在配对的临床与可穿戴睡眠 EEG 上，作者将参与者间差异视为校准噪声，并报告该公式可预测新参与者上的残余设备偏移，同时每位参与者增加记录的收益会较快趋于饱和。这为区分增加单人记录与增加参与者的作用提供了可核对的研究线索，但不能直接推广为所有 EEG 任务的采集建议。数据集、被试数、设备配置、跨被试划分、残余偏移指标、对照方法、消融及统计信息尚未验证。