交互系统中的表征选择性

基于摘要分析。本文研究容量受限时，交互系统的表征应在各子系统分别压缩前形成关系信息，还是在压缩后重建关系信息。核心贡献是考察这一选择与预测目标的相互作用，并将其称为 representation selectivity（表征选择性）：表征保留什么信息，不仅取决于架构，也取决于训练要求它预测什么。 机制上，压缩前同时获得两个系统的信息，可以直接形成紧凑的关系量；若先分别压缩，为后续重建关系，可能需要保留更丰富的局部信息。研究采用受控非线性系统，区分关系结构、物理耦合与表征容量的影响。摘要未提供具体模型结构、损失形式、容量设置或系统参数。 作者报告，在同一交互物理系统上，以未来状态为预测目标时，压缩前合并两个系统的信息基本没有收益，尽管未来状态预测明显优于常数基线；以物理交界处的力和相对运动为预测目标时，提前获得两个系统的信息则带来较大且一致的优势。摘要未提供指标数值、数据划分与统计检验，实验协议、消融及统计信息尚未验证。这一结果不能概括为提前融合普遍优于后期融合，而应限定于预测目标及容量约束。 平台推测（待验证）：若 EEG 任务确实依赖跨通道或跨脑区关系，该机制可用于检验“先独立压缩、后融合”是否损失任务相关信息。可复用的是压缩时机与预测目标的对照思路，而非已验证的 EEG 模型；需改造输入编码、关系目标及监督方式，并明确关系量是否可由数据可靠估计。低信噪比、通道配置差异、跨被试变化和小样本可能使提前融合保留伪相关，而非有效关系。一个可证伪的小实验是，在同一 EEG 数据划分与匹配的表征容量下，对比提前融合和分别压缩后融合，并分别采用局部信号预测与预先定义的跨通道关系预测目标，检验融合收益是否随目标变化。已有 EEG 相关工作尚未检索确认。