对比学习中的困难负样本采样：最优表示几何与神经坍塌和维度坍塌的比较

基于摘要分析。本文研究困难负样本采样如何影响对比学习的最优表示几何，以及实际优化能否达到该几何结构，结合理论证明与 Adam 优化实验区分神经坍塌（Neural-Collapse，NC）和维度坍塌（Dimensional-Collapse，DC）。研究对象是通用对比表征学习，并非 EEG 或 BCI。 理论方面，作者在一种广泛研究的数据模型及一般损失、样本困难度调节函数条件下，证明 Supervised Contrastive Learning（SCL）、Hard-SCL（HSCL）和 Unsupervised Contrastive Learning（UCL）的损失可由具有 NC 几何的表示达到最小值：类别均值构成等角紧框架（ETF），同类样本映射到相同表示。作者还证明，对任意表示映射，HSCL 与 Hard-UCL（HUCL）损失分别以下对应的 SCL 与 UCL 损失为界。这里应区分 NC 的类别结构与 DC 的表示维度退化，不能将两者视为同一失败现象。 作者指出，其 SCL 理论不要求增强视图在给定类别后条件独立，适用的损失类别包含 InfoNCE，且相关理论结论也适用于采用批处理优化的情形。摘要对最优几何的证明列举了 SCL、HSCL 和 UCL，不宜据此将同一结论直接扩展至 HUCL。 实证方面，作者报告：在随机初始化、适当困难度水平及单位球或单位球面特征归一化条件下，采用批处理的 Adam 优化 HSCL、HUCL 可收敛至 NC 几何；不引入困难负样本或特征归一化时，所学表示出现 DC，未达到 NC 几何。具体数据集、困难度设置、几何评价指标、实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但实现与复现条件尚未核对。 平台推测（待验证）：困难负样本与归一化的配合可能用于检验 EEG 对比表征的维度退化，但其理论依赖的数据模型及类别结构须重新核对。可复用采样和归一化机制，需改造 EEG 增强与负样本定义；低信噪比、跨被试差异、通道差异及小样本可能使困难负样本集中于伪迹或假负例。一个可证伪的小实验是在固定跨被试划分、编码器和训练预算下，对照困难采样与归一化的组合，同时测量表示有效秩、类别几何及下游 Balanced Accuracy。已有 EEG 相关工作尚未检索确认。