ReLU 网络的切空间敏感性与线性区域分布

基于摘要分析。本文研究前馈全连接 ReLU 网络在切空间中的对抗稳定性，提出切空间敏感性，用于刻画无标签单个样本所诱导的参数变化下的模型稳定性，并将其与输入空间中的激活区域分布联系起来。 核心机制：研究关注的是参数变化下的稳定性，而不只是输入扰动下预测是否改变。作者推导了若干易于计算的界和经验度量，试图通过 ReLU 网络的分段线性结构解释敏感性与泛化之间的关系。摘要未给出切空间的具体定义、样本诱导参数变化的构造方式、界的假设或度量公式，这些内容需查阅全文确认。 结果与证据：作者报告，在其开展的实验中，即使简单的界和度量也与经验泛化差距存在关联；摘要未提供数据集、模型规模、划分协议、对照或具体数值。因此，这一结果不能直接解读为因果解释，也不能据此认定这些度量能可靠预测新任务的泛化表现。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若相关度量能在有限样本下稳定估计，可假设其适用于带全连接 ReLU 分类头的 EEG 模型，辅助检查跨被试或跨会话泛化风险。可复用的是敏感性计算与区域分布分析，需改造的是 EEG 特征输入及扰动定义；低信噪比、通道差异和小样本可能使估计主要反映噪声，而非泛化能力。一个可检验的小实验是固定 EEG 特征与训练协议，在多个随机种子下计算这些度量，检验其与留出被试泛化差距的关联，且不使用测试标签调参。已有 EEG 相关工作尚未检索确认。