Radial-VCReg：通过径向高斯化学习信息更丰富的表征

基于摘要分析。该研究面向通用自监督表征学习，针对显式信息最大化受维度灾难限制、VCReg 的一阶与二阶统计正则化不足以充分实现最大熵目标的问题，提出 Radial-VCReg，在 VCReg 上增加径向高斯化损失。 核心机制是将特征范数的分布与 Chi 分布对齐，以利用高维高斯分布的径向性质，补充仅约束低阶统计量的做法。作者报告，其理论分析表明，相较于 VCReg，Radial-VCReg 能推动更广泛类别的分布趋近正态；作者还报告，在合成与真实世界数据集上，该方法通过减少高阶依赖、促进更具多样性和信息量的表征而持续改善性能。摘要未提供具体数据集、任务、指标、效应大小或对照配置，不能据此判断收益幅度与适用范围。损失的具体形式、特征尺度处理、理论假设、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 自监督表征存在低阶统计约束后仍残留的高阶冗余，该径向约束可能作为附加正则项复用；这是假设，不是已验证的 BCI 效果。迁移需核对特征维度、尺度及训练样本量对目标范数分布的影响，并验证幅值相关的生理信息是否会被削弱。低信噪比、通道差异和小数据可能使范数分布估计不稳，跨被试分布偏移也可能限制收益。可在固定 EEG 编码器、自监督任务和训练预算下，对比 VCReg 与加入径向损失的版本，使用一致的跨被试划分，检查下游性能及高阶依赖是否同步改善。已有 EEG 相关工作尚未检索确认。