IsoScore：衡量向量空间利用的均匀性

基于摘要分析。本文研究 NLP 中词嵌入的空间分布及其各向同性度量，提出 IsoScore，用于量化点云对所在向量空间的均匀利用程度。核心贡献是围绕不同维度之间的方差分布评估度量工具，而非提出新的词嵌入模型或 BCI 算法。 作者指出，平均随机余弦相似度与 partition score 等既有指标不足以恰当衡量各向同性。作者报告，在其设计的测试中，IsoScore 能准确衡量方差在向量空间各维度间分布的均匀程度，并声称它是所考察文献中唯一满足这一目标的工具；该结论的测试覆盖范围仍需核对全文。作者还使用 IsoScore 质疑了 NLP 文献中若干依据不稳健各向同性指标得到的结论。摘要未提供计算公式、测试数据构造、具体嵌入模型或定量结果，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 编码器输出的特征可以作为同一特征空间中的点云，IsoScore 或可用于诊断特征方差是否集中于少数方向，但均匀性不等于解码性能，也不能直接证明表征更优。可复用的是空间利用度量思路；需针对 EEG 明确样本单位、归一化方式及被试和会话的分组方式。低信噪比可能使噪声呈现较均匀的方差分布，被试或通道差异可能主导空间结构，小样本则可能导致估计不稳定。一个可检验的小实验是，在固定 EEG 编码器与数据划分下，对原始特征、方差集中程度受控的变换特征及加入噪声后的特征分别计算 IsoScore，并与下游解码表现分开比较，检验其能否区分结构变化与噪声效应。已有 EEG 相关工作尚未检索确认。