向量与张量上置换不变函数的通用表示

基于摘要分析。本文研究输入大小可变、对元素排列不敏感的多重集函数，核心贡献是加强 Deep Sets 类求和分解模型的通用表示结论，并在可辨识多重集条件下给出更低的潜在维度界及连续性保证；研究对象是通用表示理论，而非 EEG 或 BCI 算法。 作者以元素为 D 维向量、集合大小上限为 N 的有限多重集为对象，区分通用逼近与通用表示：摘要指出，既有 Deep Sets 结果以 O(N^D) 潜在维度实现连续多重集函数的通用逼近；作者报告证明，同阶维度可保证连续及不连续多重集函数的通用表示。随后，论文引入可通过标识函数为元素赋予唯一标签的“可辨识多重集”，并指出有限精度向量满足这一性质。在该分析框架下，作者报告，对一般连续多重集函数，求和分解模型所需潜在维度可降至 2DN，并保证编码器与解码器均连续。上述结论对应的函数类别与条件不同，不能把连续性保证直接推广到不连续目标函数。 作者还将结果扩展到可辨识张量上的置换不变函数，提出相应的特殊求和分解结构，作为序列、图像和图学习网络的设计依据。摘要未给出具体任务实验或性能指标；完整定理的定义域、可辨识条件、构造方式及实验协议、消融与统计信息尚未验证。表示存在性及连续性本身也不能保证有限网络的可训练性、数值稳定性或泛化性能。 平台推测（待验证）：若把带通道位置标识的 EEG 特征视为无序集合，求和聚合机制可能用于处理通道输入顺序变化及数量变化；可复用的是集合编码与聚合思路，需要改造的是通道标识、时序特征及解码任务。其可辨识性条件能否在通道缺失、跨被试位置差异和低信噪比下稳定成立，尚不能由该理论推出。可先在固定被试划分下比较求和聚合与固定通道顺序基线，并分别测试仅打乱输入顺序和随机缺失通道，以区分置换不变性与缺失通道鲁棒性；小数据下的过拟合仍需单独评估。相关 EEG 工作尚未检索确认。