测度神经映射

基于摘要分析。本文研究概率测度上的算子学习，提出 measure neural mappings（MNMs，测度神经映射），将依赖测度的神经输运与集合一致性结合起来。集合一致性要求：从输入概率律采样的集合规模增大时，模型输出依概率收敛到指定的总体输出。 理论核心是在强次高斯及尾部可积性假设下，为非紧支撑概率律上的 attention 建立定量连续极限，以覆盖 Bayesian inference 和 uncertainty quantification 等科学机器学习中的无界状态空间。作者报告，对固定 self-attention transformer，期望输出 Wasserstein 误差可由经验输入 Wasserstein 误差及额外的 N^{-1/2} attention 项控制；这不意味着总体误差在所有维度下均以 N^{-1/2} 衰减。pre-norm 架构的论证依赖归一化后的紧致稳定性，post-norm 架构则由所述尾部条件覆盖。 作者还给出 cross-attention 的对应估计，并将结果扩展到 multihead attention 和分组 transformer 求值，后者随组规模增大而收敛。对作为测度到向量映射的 Set Transformers，作者报告在所述假设下，期望欧氏输出误差具有 N^{-1/2} 上界。实验涵盖七个算子及 d=1、2、3、5、10 的维度设置，使用一维 Wasserstein 计算与高维 Sinkhorn 近似；作者报告观测到的 Wasserstein 和 sliced Wasserstein 衰减率接近各自的理论采样基准。具体算子、采样协议、对照、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务将多个试次表示为经验分布，该机制可能用于研究集合编码器对试次数变化的稳定性。可复用的是集合 attention 与测度到向量映射，需改造的是 EEG 特征表示及采样建模；时间相关性、跨被试分布变化、低信噪比和重尾伪迹均可能使理论假设不成立。一个可检验的小实验是固定被试内编码器，从独立留出的试次池反复抽取不同规模集合，测量输出相对大集合参考的偏差随规模的变化；该参考不等于真实总体输出。已有 EEG 相关工作尚未检索确认。