更多数据，更差决策？通过表征几何解释神经网络中的偏好反转

基于摘要分析。本文研究神经网络整合多来源信息时，为何可能逆转原本一致的偏好，而非始终改善决策。核心贡献是从表征几何变化解释这种不稳定性，提出在整合前评估候选信息源是否能保持决策稳定性的几何判据，并探索训练期间的几何控制。 机制与方法：作者将偏好反转归因于信息整合引起的表征几何变化，并据此研究几何兼容性与决策稳定性的关系。其干预目标是在训练中控制表征几何，提高信息整合下的组合稳定性；摘要未给出几何对象、兼容性度量、判据公式、训练目标或具体信息融合方式，尚不能判断该机制依赖哪些监督信号与数据结构。 证据与边界：作者报告，在受控设置和真实世界决策任务上的实验支持所提出的机制，并考察了几何兼容性与稳定性的关系及几何干预的影响。摘要未提供具体任务、数据集、划分、对照基线或量化结果，因此不能据此判断效果大小、泛化范围，以及稳定性改善是否伴随任务性能变化。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 多来源融合也存在新增信息导致既有预测反转的问题，可假设信息源间的表征几何兼容性具有诊断价值；这不等于已验证的 BCI 效果。潜在可复用部分是兼容性评估与几何约束，需针对 EEG 的通道结构、被试差异及任务标签重新定义。低信噪比和小样本可能使几何估计不稳定，保持原预测也可能保留原有错误。取得全文并明确判据后，可在固定 EEG 数据划分下比较加入一个信息源前后的预测反转、正确与错误决策变化，以及判据的预测能力。相关 EEG 工作尚未检索确认。