动力学启发的类脑视觉表征学习

基于摘要分析。本文研究视觉表征学习，提出遵循 Hamilton 原理的动力学启发类脑架构，将基于权重的神经网络结构转换为由有限个子模型构成的动力学形式，并通过熵约简调整其状态。核心贡献是尝试以子模型间的动力学关系表达常规神经权重，而非直接面向 EEG 或 BCI 建模。 机制上，作者通过计算子模型动力学状态之间的路径积分来度量相互关系，并将其视为常规神经权重的等价表达；由 Euler–Lagrange 方程推导的熵约简过程产生反馈信号，这些信号被解释为子模型之间的应力，推动其状态变化。摘要涉及两条训练路径：从头训练动力学模型，以及将预训练网络转换为动力学形式后，通过熵约简微调获得稳定状态。“无权重”在此指改变参数与关系的表达形式，不能据此认定模型无需存储参数或无需训练。 作者报告，从头训练的模型在 MNIST 上优于传统神经网络；将若干预训练网络转换并微调后，在 ImageNet 和 WebVision 上，相较对应的权重式模型，计算复杂度、参数规模、测试准确率与鲁棒性均有改善。摘要未提供具体数值、网络名称、数据划分、计算预算及鲁棒性测试条件，无法判断收益幅度或各项改进的适用范围。作者还报告模型性能与结构熵存在相关性，但这不等于证明熵降低必然带来泛化提升。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若该转换可用于 EEG 编码器，其潜在对应点是以动力学状态重参数化表征，并检验熵约简对噪声扰动稳定性的影响，而非直接解决跨被试差异。可考虑复用结构转换与状态更新机制，但 EEG 输入表征、状态约束及计算开销需重新适配；低信噪比、通道变化与小数据可能导致状态不稳定或表征过度收缩。一个可证伪的小实验是在固定被试内划分与训练预算下，对比同一 EEG 编码器转换前后的 Accuracy、参数规模及噪声扰动表现。该设想不属于作者已验证结果，已有 EEG 相关工作尚未检索确认。