超越置换不变性：集合数据表示中的幂等性

该研究针对集合表示中“消除顺序并不等于消除元素重复次数”的问题，提出幂等集合一致性（idempotent set consistency），用于判断不同元素登记方式是否仍表示同一底层数据。基于摘要分析，论文主要研究集合表示的语义与一致性，而非 EEG/BCI 算法。 作者给出的理论结论是：一个支持可变基数的函数族，恰在满足置换不变性及重复元素插入、删除相容性时，才能定义为有限子集上的函数。框架进一步引入 registration fibers（登记纤维）及其定量缺陷，用于区分集合、多重集与经验测度语义；通过登记方式构成的有向系统，明确哪些跨基数变化应保持底层数据不变。对于集合语义，作者将这一视角联系到 Hausdorff 几何及任意接近观测下的近似幂等性。关键并非要求所有模型都忽略重复，而是先确定重复次数在应用中是否携带信息。 摘要列出的实证研究包括 pooling 与 Set Transformer 审计、对预训练 ModelNet40 分类器进行几何受控干预，以及人体轨迹预测中的重复和近重复扰动。摘要未提供具体性能数值；实验协议、数据划分、对照、消融及统计信息尚未验证，不能据此判断各模型的鲁棒性优劣。 平台推测（待验证）：若 EEG 模型将带通道身份或空间位置的观测作为无序集合，且重复登记同一观测不应增加信息，该框架可用于审计聚合模块。但重复试次可能改变经验分布或提供额外证据，不能一概要求幂等。可复用的是重复插入、删除与表示偏差的审计思路；需改造的是通道身份、时序与空间邻近关系的定义。低信噪比可能使近重复观测仍包含有效差异，跨被试通道差异和小数据也可能使审计结论不稳定。一个可检验的小实验是在固定被试内划分和既有模型下，仅于测试输入复制同一通道观测，比较表示偏差与任务指标变化，再与新增独立观测区分。已有 EEG 相关工作尚未检索确认。