EEG 仿真推断中的门控特征重要性：一项警示性研究

基于摘要分析。该研究考察仿真推断（SBI）中联合训练的特征门控权重是否能可靠反映特征重要性：作者在 Jansen-Rit 神经群体动力学模型的参数推断任务中，将门控权重与逐特征移除、重新训练得到的重要性估计进行比较，报告二者并不一致。 研究的主要对象是 EEG 相关机制模型的生理参数推断，而非 BCI 分类或解码。方法采用神经后验估计（NPE）推断 Jansen-Rit 模型的四个生理参数，并考察两种联合训练的门控机制：独立的 sigmoid 权重与相互竞争的 softmax 权重。对照基准每次移除一个特征后重新训练 NPE，用以检验门控赋予的权重是否与该特征对推断性能的贡献一致。 作者报告，在九个独立训练随机种子下，门控重要性与重新训练消融得到的重要性呈负相关：sigmoid 门控的 Spearman’s rho 约为 −0.61，softmax 门控约为 −0.56。逐特征消融将总信号功率识别为最重要的特征，但它同时属于门控降权最明显的特征之一；作者还报告，加入门控仅带来可忽略的预测准确性损失，摘要未给出具体指标与数值。上述结果说明，在该任务与训练设置下，保持预测性能并不意味着门控权重能够忠实表达特征重要性。 作者将这一现象与自然语言处理中的注意力解释问题及 EEG 深度学习可解释性研究中的既有观察联系起来，建议谨慎将学习到的门控权重解释为因果特征重要性。需要区分的是，重新训练消融衡量的是移除特征后模型性能的变化，不能直接等同于生理机制层面的因果效应。摘要未提供特征全集、数据生成与划分、参数先验、NPE 结构、性能指标及相关系数的汇总方式；实验协议、进一步消融及统计信息尚未验证。这项证据适用于所述机制模型参数推断设置，不能据此断言所有 EEG 门控方法或 BCI 解码模型均存在同样问题。