归因歧义可使 EEG 迁移中的目标域贝叶斯决策规则不可辨识

基于摘要分析。该研究探讨 EEG 无监督域适应（UDA）的信息边界：即使完全知道潜在神经成分如何跨域变化，是否仍能确定目标域最优分类器？作者通过高斯构造给出否定实例，将原因归结为归因歧义，并以理论界、EEG 仿真和真实 EEG 实验分析其影响。 研究采用理想化 Oracle 设置：源域观测与标签的完整联合分布、目标域观测边缘分布，以及各类潜在成分对应的跨域算子均精确已知。核心机制是，头皮 EEG 反映聚合神经活动，却不能直接揭示具有预测作用的活动如何分配到不同成分类型。同样的源域观测可以对应不同潜在分配；即使每类成分的变换算子已知，这些分配仍可能与不同的目标域观测—标签关系相容，并要求相互冲突的最优决策。因此，知道成分如何变换，不等于知道预测信息属于哪类成分。 作者报告，信息论下界刻画了无法仅靠算法选择消除的学习障碍；在加入额外结构后，互补的上界表明，学习目标域决策并不一定需要完整恢复潜在归因。该结论应限定于论文所分析的假设条件，不能扩展为所有 EEG 域适应任务均不可学习。额外结构的具体内容、上下界形式及适用条件尚未验证。 作者报告，EEG 仿真呈现了上述理论机制，真实 EEG 实验则为其对学习器预测行为的影响提供补充证据。摘要未给出数据集、被试数量、迁移划分、对照方法或定量指标，因而尚不能判断实验对应跨被试、跨会话还是其他域偏移。实验协议、消融及统计信息尚未验证；阅读全文时应重点核对真实 EEG 证据与理论假设的对应关系，以及哪些可观测约束足以缩小归因歧义。