CosFairNet：一种基于参数空间的无偏学习方法

基于摘要分析。CosFairNet 研究标签与偏差特征高度相关时，深度神经网络容易学习非预期推断规则的问题，提出在参数空间中直接约束偏差模型与去偏模型之间的关系，以减少对偏差特征的依赖。 方法同时训练两个模型：偏差模型用于学习偏差特征，去偏模型在其引导下学习不依赖偏差的细节。核心机制是在两个模型的初始层之间施加相似性约束，在后续层之间施加差异性约束。作者希望借此保留可共享的低层特征，同时避免去偏模型继承偏差模型的高层抽象。与摘要所述的预定义偏差先验、样本重加权等策略相比，其主要区别是将显式约束施加于模型参数空间。具体相似性度量、约束作用的参数范围、层划分、损失形式及双模型训练流程尚未验证。 作者报告，该方法在不同规模的合成与真实数据集上提升了分类准确率和去偏效果，并对不同偏差类型及训练集中不同偏差样本比例表现出稳健性。摘要未提供数据集名称、具体数值、划分协议或对照配置，因此不能判断提升幅度及适用边界；实验协议、消融及统计信息尚未验证。摘要提供了代码入口，但实现与复现条件尚未核验。 平台推测（待验证）：若 EEG 分类中的被试或会话相关特征与任务标签形成伪相关，分层参数约束可能成为抑制此类依赖的候选机制。该假设依赖偏差模型确实捕获干扰因素，且两模型具有可比较的参数结构；偏差模型构建、约束层选择及 EEG 输入编码均需改造。低信噪比、通道差异和小数据可能使偏差模型学到任务相关信号，或使参数相似性无法对应功能相似性。可在固定跨被试划分下，设置可控的标签—被试相关程度，对比同一骨干的无约束、仅初始层约束、仅后续层约束及完整方法，检验收益是否随伪相关变化而保持。相关 EEG 工作尚未检索确认。