表征中的公平性：将刻板印象量化为一种表征伤害

基于摘要分析。本文研究算法公平性中相对较少受到关注的表征伤害，将两种刻板印象概念形式化，并分析它们如何在机器学习流程的后续环节表现为分配伤害。作者还提出缓解策略，并报告其在合成数据集上的有效性。 核心研究对象是刻板印象及其在机器学习流程中的影响，而非特定神经信号任务。论文区分了表征层面的伤害与资源、机会等分配结果层面的伤害，阅读价值在于考察二者之间的联系，而不只评估最终分配是否公平。摘要未给出两种刻板印象的数学定义、量化指标、缓解策略的实现方式或适用假设，这些内容尚未验证。 证据方面，摘要仅明确提及合成数据实验，未提供数据生成机制、对照基线、效果数值或统计不确定性；实验协议、消融及统计信息尚未验证，不能据此判断其在真实数据或不同任务中的泛化能力。材料未建立与 EEG/BCI 的具体机制对应关系，因此不将其改写为 BCI 算法贡献，也不据此提出迁移复现实验。