Perturb-Softmax 与 Perturb-Argmax 概率分布的表示性质

基于摘要分析。本文研究用于离散变量学习的扰动型概率分布，核心贡献是分析 Gumbel-Softmax、Gumbel-Argmax 及其一般化形式 Perturb-Softmax、Perturb-Argmax 在何种参数族下具有完备性和最小性，而非提出 EEG 或 BCI 解码方法。 原问题涉及两类应用：Gumbel-Softmax 用于生成式学习中的离散 token 学习，Gumbel-Argmax 用于判别式学习中的离散结构学习。文中的完备性指能够表示任意概率分布，最小性指概率分布具有唯一的参数表示。作者利用凸性和可微性推导相关条件，并报告识别出两组满足假设、因而具有完备且最小表示的参数集合。摘要未给出参数集合、适用分布范围或具体定理条件，这些内容尚需核对全文。 作者报告，实验评估中 Gaussian-Softmax 相比 Gumbel-Softmax 收敛更快。该结论所对应的任务、数据、收敛指标、优化设置及对照条件未在摘要中说明，不能据此推断其在其他任务上的速度或精度优势；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 模型包含可学习的离散通道选择或离散潜变量，其参数可辨识性与优化可能与本文分析有关；可复用部分是扰动分布及其表示条件，但需核对其是否适用于固定通道选择等约束结构，而不能直接套用。低信噪比、通道相关性、跨被试变化和小样本可能使理论表示能力无法转化为稳定选择或泛化收益。一个可证伪的小实验是在固定 EEG 数据划分、相同选择预算与下游模型的条件下，仅替换 Gaussian-Softmax 和 Gumbel-Softmax，比较达到同一验证目标所需的训练成本及多次运行的选择稳定性。已有 EEG 相关工作尚未检索确认。