序列神经解码中结合预测遗憾核算的预测信息归因

基于摘要分析。该研究考察当前神经观测在解码器已有上下文之外提供多少预测信息，旨在区分神经信号贡献与任务结构、行为历史所带来的预测能力。方法在留出事件上比较上下文预测器 q₀ 与联合预测器 q₁ 的对数评分差，并将其期望增益分解为条件互信息与两个拟合模型的预测遗憾之差。 核心关系为 G = I(Y;X|C) + R₀ − R₁，其中 Y 为预测目标、X 为当前观测、C 为上下文，R₀ 与 R₁ 对应两个模型的预测遗憾。这意味着拟合模型的评分增益不能直接等同于观测的条件信息：上下文模型拟合不足也可能产生表面增益，模型容量匹配因此是归因时需要核对的因素。 作者报告，具有已知真值的受控实验呈现三种情形：持续性结构可产生较强的边际解码表现，但条件增益为零；Noisy XOR 在边际信息为零时仍提供每样本 0.531 bits 的条件信息；在条件零假设下，欠拟合的上下文模型产生每样本 0.363 bits 的拟合增益，而容量匹配后该增益消失。这些数值对应不同受控机制，不应作为同一解码任务的性能排名。 作者报告，在 18 名被试的听觉注意 EEG 中，带监督的前一试次标签反馈相较于类别流行率基线降低了增益，但正滞后与负滞后的差异在交错划分和连续划分下仍然存在。在来自 40 名未见被试的运动想象 EEG 频谱解码中，相较于日程上下文，加入提示历史使增益降低每试次 0.0098 bits。这里衡量的是对数评分的信息增益，而非 Accuracy 的百分点变化。 阅读重点是上下文变量的定义、历史标签在目标使用场景中的可获得性，以及两个预测器的容量和拟合程度。摘要尚不足以确认具体数据集、模型结构、滞后设置、完整划分流程及统计不确定性；实验协议、消融及统计信息尚未验证。该结果支持重新审视解码性能的归因，但不能据此断言既有 EEG 解码工作存在泄漏或无效。