非线性表征学习的理论保证：非同分布协变量、依赖数据与更少样本

基于摘要分析。本文研究多来源输入分布不一致、且各来源内部数据可能存在统计依赖时，如何学习共享非线性表征，并为目标任务的迁移学习提供统计保证。主要贡献是将表征学习理论扩展到上述非 iid 场景；研究对象是一般多任务学习，数值实验涉及非线性动力系统的模仿学习，并非 EEG 或 BCI 验证。 技术设定：共考虑 T 个源任务和一个目标任务，各任务函数写作 f★^(t)∘g★，其中 g★ 是共享非线性表征，f★^(t) 是任务特定的线性函数。每个源任务使用 N 个样本估计表征 ĝ，再用目标任务的 N′ 个样本、通过 ĝ 拟合目标任务函数 f̂^(0)。 作者报告，在其理论条件下，目标任务估计的超额风险以 Õ(C(G)/(NT)+dim(F)/N′) 的速率衰减，其中 C(G) 表示表征函数类 G 的复杂度。该表达式区分了共享表征估计与目标任务拟合的样本成本。作者报告，该速率与 iid 情形匹配，所需每任务样本数少于既有分析，且界中不依赖混合时间；但摘要未给出具体分布、依赖性及任务条件，不能据此理解为适用于任意相关数据。作者以非线性动力系统模仿学习数值实验支持分析，具体实验协议、对照、消融及统计信息尚未验证。 平台推测（待验证）：其机制可能对应跨被试 EEG 中的输入分布差异、时间依赖和少样本目标被试适配，但前提是不同被试确有共享表征，且任务可由该表征上的线性函数描述。可复用的是多源共享编码器与目标任务线性适配框架；通道布局、信号预处理及任务监督需另行适配。低信噪比、被试特异性和小样本可能破坏这些前提。一个可检验的小实验是：在固定 EEG 任务中，以多个源被试训练表征，冻结后用目标被试少量标注拟合线性头，与仅用目标样本训练的基线比较，并按连续时间块划分数据，检验增加源任务是否稳定降低目标误差；这不等于验证原定理。已有相关 EEG 工作尚未检索确认。