动力学启发的类脑视觉表征学习

基于摘要分析。本文研究视觉表征学习，提出一种遵循 Hamilton 原理、由动力学启发的类脑架构，将基于权重的神经网络转换为由有限个子模型组成的动力学形式，并通过熵降低过程优化其状态。 核心机制是计算子模型动力学状态之间的路径积分，以表征其相互关系；作者将这些关系描述为与常规神经权重等价。由 Euler–Lagrange 方程导出的熵降低过程提供反馈信号，这些信号被解释为子模型之间的应力，推动子模型状态变化。摘要还提出模型性能与结构熵存在相关性，但这种相关性不能直接视为因果解释；“无权重”也不应据此理解为无需存储或优化任何参数。 作者报告，从零训练的动力学模型在 MNIST 上优于传统神经模型；对于若干预训练网络，先转换为动力学形式，再通过熵降低微调至稳定状态后，在 ImageNet 和 WebVision 上相较对应权重模型，在计算复杂度、参数规模、测试准确率及鲁棒性方面均有改善。摘要未提供具体网络、数值、划分、复杂度核算方式或鲁棒性测试条件，因此无法量化收益或判断适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，将已有 EEG 表征网络转换为动力学形式后，以状态关系和熵降低过程调整表示，可能改变其对噪声或分布变化的敏感性，而非已经证实能够改善 BCI。可复用候选是网络转换与状态优化机制，需改造的是 EEG 时序、多通道输入及任务输出的适配；其对监督、预训练规模及输入结构的依赖尚不清楚。低信噪比、跨被试差异、通道变化和小数据可能使状态优化不稳定，或使熵降低与判别目标不一致。可先在固定跨被试划分下，比较同一 EEG 基线转换前、仅转换后及转换并微调后的 Accuracy、资源开销与噪声敏感性，检验转换收益是否成立。已有 EEG 相关工作尚未检索确认。