表征对齐失败后的修复推断

基于摘要分析。研究关注表征对齐校正的性能低于任务参考方法后，哪种修复能恢复更多性能，以及限定的修复族是否有能力达到参考水平。作者通过匹配组件替换比较实际修复收益，并对正尺度修复路径进行精确优化，区分误差归因、修复选择与参考性能的可达性。 在 THINGS-EEG2 的 EEG 图像检索中，作者分析了参与及未参与编码器训练的人群之间，ridge–Procrustes Accuracy 差距的变化。作者报告，在人群均值层面，方向获得更大的归因；但对未参与编码器训练的人群，将 ridge 的半径（中心化输出长度）替换为 Procrustes 的半径，比替换方向平均多恢复 3.46 个百分点的 Accuracy，且这一优势在全部十人中均为正。该结果说明，在所测试的替换方案中，归因更大的组件不一定对应收益更高的修复。 在 OfficeHome 图像–文本检索中，修复路径保持映射与均值固定，先缩放中心化输出，再加回固定均值。作者报告，即使允许每个查询使用独立且利用标签信息的正尺度，精确最优值相对拟合校正提高 27.62 个百分点，仍比未经修改的参考方法低 9.43 个百分点。因此，单靠这些指定路径上的尺度选择无法恢复参考性能。对于第二个 EEG 编码器，作者报告，利用标签信息的逐查询精确最优值超过其被试中心化参考方法 7.96 个百分点，表明该设置下参考性能可达；这不等于无标签推理时能够实现同样收益。 阅读重点是组件替换的匹配条件、归因定义、正尺度优化的可行域，以及最优值与实际可用修复策略之间的差距。摘要未提供编码器结构、训练与测试划分、检索候选集、Accuracy 的具体计算方式或不确定性估计；实验协议、消融及统计信息尚未验证。第二个 EEG 编码器的评估人群与协议也尚未验证，不能将不同设置下的数值直接比较。