通过零空间梯度投影实现 Teleportation 以加速优化

基于摘要分析。本文研究通用神经网络的优化加速，提出将 teleportation 目标函数的梯度投影到输入零空间，以在损失不变的等值集内调整参数，寻找更有利于后续梯度下降的参数位置。主要贡献是尝试降低既有 teleportation 方法的计算成本，并将其适用范围从 MLP 扩展至 CNN 和 Transformer；研究对象并非 EEG 或 BCI。 Teleportation 的核心思路不是直接降低当前损失，而是在保持损失不变的参数集合中移动，改善后续优化的几何条件。本文以输入零空间投影约束这一移动。摘要未给出 teleportation 目标函数、零空间的具体定义与计算方式、损失不变性成立的条件，以及与常规优化步骤的交替策略，这些均需结合全文核对。 作者报告在多个基准数据集和优化器上验证了方法的有效性与适用性，但摘要未列出数据集、模型规模、对照方法、收敛指标或耗时结果。因而目前无法判断加速体现为迭代次数减少还是实际训练时间缩短，也无法量化投影计算带来的额外开销。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若该投影机制可用于 EEG 模型训练，其潜在对应点是优化效率，而非直接解决低信噪比或跨被试泛化。可复用的是参数更新策略，需改造或核对的是 EEG 网络中输入零空间的构造及其批次依赖性；小数据、噪声和通道变化可能使投影方向不稳定，且保持训练损失不变不保证泛化改善。一个可检验的小实验是在固定被试内划分、模型、优化器和训练预算下，对比启用与不启用投影的训练，记录损失变化、验证集表现及包含投影开销的总耗时。已有 EEG 相关工作尚未检索确认。