通过权重空间序列建模实现支持集外泛化

基于摘要分析。本文研究支持集外（out-of-support，OoS）泛化，即模型对训练数据取值范围之外样本的外推问题，提出 WeightCaster，将该问题重新表述为权重空间中的序列建模任务。其主要研究对象是通用预测模型的外推可靠性，而非 EEG 或 BCI。 核心机制是把训练集划分为同心壳层，将各壳层对应到离散序列步骤，并在权重空间进行序列建模。作者称，该框架无需显式归纳偏置，即可产生合理、可解释且具有不确定性感知能力的预测，同时保持较高计算效率。摘要未说明壳层的中心、距离定义、各步骤权重的获取方式、序列模型结构、损失函数或不确定性估计方法，这些内容尚未验证。 作者报告，在合成 cosine 数据集和真实空气质量传感器读数上的验证中，性能与最先进方法相当或更优。摘要未提供具体指标、数值、训练与外推区间、数据划分及对照方法，因此不能据此判断外推距离增加时的性能变化，也不能将其与其他评估协议直接比较。实验协议、消融及统计信息尚未验证；代码与复现条件亦未由材料确认。 平台推测（待验证）：若 EEG 任务存在具有明确顺序和距离意义的连续变化轴，例如可量化的采集条件变化，该方法可能为训练覆盖范围外的预测提供可检验思路。但 OoS 外推不等同于一般跨被试域泛化；可复用的是壳层序列化与权重空间建模思路，需改造的是 EEG 的距离定义、预测目标及不确定性校准。低信噪比、通道差异和小数据可能使壳层顺序不稳定，或使权重变化难以外推。可在具有明确连续条件轴的 EEG 数据中，仅用中间范围训练、保留范围外条件测试，对照相同基础预测器，检查任务指标与不确定性校准是否改善。相关 EEG 工作尚未检索确认。