SMART：用于结构表示归因的模块化两阶段框架

基于摘要分析。本文研究高维复杂系统中潜在信号的恢复，以及如何将跨环境的分布变化归因于特定机制，而非仅学习静态单环境表示。作者提出 SMART（Sparse Mechanism Attribution for RepresenTation），将信号恢复与结构变化归因分为两个阶段，服务于因果发现、变点检测和迁移学习等问题。 核心机制是先恢复信号，再对结构差异施加稀疏正则化，以定位发生变化的机制。作者称这种归因可绕开表示学习中的可识别性难题；这不应解读为完整潜在表示在任意条件下都可唯一恢复。作者报告，在一定条件下，估计的行支持集以趋近于一的概率等于真实支持集，且结构与表示的估计误差继承第一阶段的收敛率。此外，作者提出用于选择潜在维度的一致信息准则，针对加性噪声表示开发一步估计方法，并将 SMART 扩展至多环境情形，提供相应理论保证。 作者报告通过模拟及两个真实数据集展示有效性，但摘要未给出数据集名称、样本规模、评价指标、对照基线或具体效果。稀疏性及可识别性相关假设、环境定义、实验协议、消融及统计信息尚未验证，代码与复现条件亦尚未验证。 平台推测（待验证）：若 EEG 跨会话或跨被试变化能在某种潜在结构中表现为少数机制改变，SMART 的结构差异归因阶段可能用于分析域偏移来源，但原论文并未在所给摘要中报告 EEG 或 BCI 验证。迁移需要多环境数据、可靠的第一阶段表示，以及可比较的结构定义；可复用稀疏归因模块，信号恢复与结构建模则需适配 EEG。低信噪比、通道差异、被试异质性和小样本均可能使恢复误差掩盖真实变化。一个可证伪的小实验是在固定通道和表示流程的 EEG 数据中注入已知局部机制变化，检验支持集恢复与误归因情况；这只能先验证受控变化定位，不能直接证明 BCI 性能提升。已有 EEG 相关工作尚未检索确认。