受 Neural Collapse 启发的面向 Min-max 公平性的去偏表征学习

基于摘要分析。本文研究通用机器学习中的 Min-max 群体公平性，即优先改善表现最差群体的性能，而非仅缩小群体间的性能差距。作者借助 Neural Collapse 框架分析 ERM 训练，提出通过冻结分类器并配合两种损失函数，改善少数群体的表征可分性；主要研究对象并非 EEG 或 BCI。 机制上，作者采用 layer-peeled model，将网络分为学习潜在表征的编码器与后续分类器，分别考察其训练行为。作者报告，在所分析的设置下，分类器已达到最大分离，但表征的可分性仍不足，尤其影响少数群体，因此将性能瓶颈归因于表征而非分类器。对应策略是冻结分类器，直接引导表征学习。摘要未披露分类器的构造与冻结时点、两种损失的具体形式，以及上述分析成立的假设条件。 作者报告，该方法在覆盖 Computer Vision、Natural Language Processing 和 Tabular data 的真实世界基准上，相比已有方法更有利于实现 Min-max 公平性。摘要未给出具体数据集、群体定义、划分协议、对照方法或数值，尚不能判断最差群体收益、总体性能变化及结果稳定性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务具有明确的群体标识且存在群体样本不平衡，可假设固定分类器有助于检验性能瓶颈是否来自表征分离不足。可复用的是冻结分类器与表征优化的思路，群体定义、EEG 编码器及损失适配仍需核对；原方法对监督信息和数据规模的具体要求尚未验证。EEG 低信噪比、跨被试差异、通道配置差异和小样本可能使最差群体表现不稳定。一个可检验的小实验是在相同跨被试划分与编码器下，对照 ERM 与论文方法，同时记录最差群体和总体性能，以检验是否存在稳定收益。该实验须待全文明确损失与训练设置后实施；已有 EEG 相关工作尚未检索确认。