用于隐式神经表示分类的权重空间混合专家模型

基于摘要分析。本文研究如何直接利用隐式神经表示（Implicit Neural Representations，INRs）的网络权重进行分类，提出层次化 Mixture-of-Experts（HMoE）Transformer，并结合面向下游任务塑造 INR 参数的元学习框架，兼顾权重空间分类性能与可解释性。原论文的主要对象是 INR 权重空间学习，而非 EEG 或 BCI 信号解码。 INR 将信号编码为坐标网络的权重，直接分类面临参数维度高、结构复杂，以及判别信息分布不清晰等问题。该方法采用与底层隐式网络结构对齐的条件计算来处理权重；摘要未说明专家路由、权重分组、损失函数或元学习优化细节，尚不能据此还原实现。 作者报告，在覆盖低分辨率数据集至高分辨率 ImageNet-1K 的标准基准上取得最先进的 Accuracy，但摘要未提供具体数值、数据划分和对照设置，因此这一结论仍需结合全文核对。作者还提出权重空间归因与剪枝方法，并报告这些分析揭示了 INR 各层中的类别特异结构，为采用 MoE 进行权重空间学习提供支持。归因稳定性、剪枝对性能的影响，以及实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 片段拟合为 INR，再以其权重作为分类输入，结构化条件计算可能提供一种不同于直接时序解码的表示路径。可复用部分是权重空间分类与归因思路；需要改造坐标输入、通道表示、INR 拟合及元学习目标。该假设依赖不同样本的 INR 参数具有可比较结构，低信噪比、跨被试差异、通道变化及小样本可能使权重更多反映拟合噪声而非任务信息。一个可证伪的小实验是在固定 EEG 数据划分与统一 INR 拟合条件下，比较 HMoE 与非 MoE 权重分类器，并以原始信号分类器作参照，同时检查重复拟合后的性能和归因稳定性。已有 EEG 相关工作尚未检索确认。