SoftStep：学习稀疏相似度以驱动深度邻居回归

基于摘要分析。本文研究深度回归模型中邻居方法难以替代线性预测头的问题，提出参数化模块 SoftStep，直接从数据学习稀疏、逐实例的相似度，并将其与已有邻居方法结合，以支持表征与邻居预测机制的联合学习。主要研究对象是通用深度回归，而非 EEG 或 BCI。 机制上，作者指出线性预测头便于与内部表征共同训练，而邻居方法在深度学习中的应用受到这一训练差异的限制。作者报告，理论分析表明，以均方误差为目标的邻居预测构成一种度量学习算法，可诱导出结构化的嵌入空间；进一步的解析与实证分析支持，这种表征结构与 SoftStep 的稀疏、逐实例相似度结合能够改善预测。摘要未给出相似度参数化、稀疏化方式、邻居选择及训练与推理流程，尚不能据此确定具体实现。 作者报告，在多种架构、领域和训练场景的回归评估中，结合 SoftStep 的邻居方法持续优于线性预测头，但摘要未提供数据集、划分、具体指标、数值及对照配置。实验协议、消融及统计信息尚未验证。作者还提出其可用于注意力机制、度量学习和表征对齐；这些属于适用性主张，不能视为各方向均已完成验证。 平台推测（待验证）：若 EEG 连续目标回归中的样本表征存在可复用的局部邻域结构，SoftStep 可能作为线性预测头的替代方案。可复用部分是可学习相似度与邻居回归机制，需改造部分包括 EEG 编码器、训练参考样本库及跨被试邻居构建。低信噪比、通道差异和小样本可能使邻域更多反映被试或采集条件，而非目标变量。一个可检验的小实验是在同一 EEG 回归数据和固定被试内划分下，保持编码器、训练预算及指标一致，比较线性头、普通邻居回归与 SoftStep，并仅用训练集构建参考库。该迁移依赖带连续标签且足以形成可靠邻域的数据；已有 EEG 相关工作尚未检索确认。