探索表征的逐点相似性

基于摘要分析。本文研究整体表征相似度可能掩盖的单样本差异，提出 Pointwise Normalized Kernel Alignment（PNKA），用于量化同一输入在不同表征空间中的相似性，并分析随机初始化、数据扰动与模型约束对表征的影响。 核心思路是将比较粒度从一组 N 个输入的整体相似度，转向单个输入的表征相似度。研究比较架构相同、仅随机初始化不同的模型。作者报告，标准模型主要对来自训练数据分布的多数输入形成相似表征，而对抗训练模型对更广泛的分布外输入也形成相似表征；作者据此将后者解释为具有更“稳定”的表征。这里的稳定性指跨初始化模型之间的表征一致性，不能直接等同于预测准确性或任务鲁棒性。作者还使用 PNKA 分析数据损坏及公平性约束等干预对表征的影响。 摘要未提供 PNKA 的计算公式、归一化方式、参照样本需求、数据集、定量结果或计算开销，实验协议、消融及统计信息尚未验证。复现时需核对逐点分数如何构造，以及它相对整体相似度指标提供了哪些额外信息。 平台推测（待验证）：若 PNKA 可应用于具有共同输入对应关系的 EEG 模型表征，它可能帮助定位整体相似度掩盖的不稳定试次。可复用的是逐点比较思路，需改造和核对的是 EEG 试次对齐、特征尺度及参照样本构造；低信噪比、通道差异和小样本可能使分数反映噪声而非任务信息。一个小规模检验是假设在固定 EEG 数据划分下，对同架构、不同随机初始化的模型计算逐试次 PNKA，检查低相似度试次是否更常出现预测分歧；该关系应在独立测试集上验证。已有 EEG 相关工作尚未检索确认。