联合精度神经网络：任务感知的依赖关系与预测学习

基于摘要分析。研究针对协方差同时包含直接与间接相关、有限样本精度矩阵估计不稳定，以及正则化估计未针对下游任务优化的问题，提出 Precision Neural Networks-Joint（PNN-Joint），通过交替优化联合学习稀疏精度矩阵与图神经网络权重，使依赖结构估计服务于预测任务。 核心机制是以精度矩阵（协方差矩阵的逆）作为图卷积的结构基础。作者将 Precision Neural Networks（PNNs）定义为作用于精度矩阵估计量的一类图卷积网络，并建立其与 PCA、coVariance Neural Networks（VNNs）的谱联系，分析其对有限样本误差的稳定性。相较于利用协方差的方案，精度矩阵旨在刻画条件依赖结构；其零元素对应条件独立的具体统计假设，以及联合优化中的损失、稀疏约束、矩阵有效性约束与收敛条件，均需正文核对。 作者报告，在合成数据、真实神经影像和运动传感器数据上，PNN-Joint 能产生可解释的任务感知图，在低数据量条件下具有鲁棒性，并在真实任务的比较中持续取得最佳或次佳表现。摘要未提供数据集名称、神经影像模态、样本量、划分协议、评价指标、具体基线及数值，因此这些结果的适用范围，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 EEG 通道或特征间的条件依赖有助于预测，该机制可能对应小样本下连接估计不稳定、固定图结构与任务不匹配的瓶颈。可尝试复用精度估计与图网络交替学习流程，但需改造 EEG 特征构造、时间窗口和正则化方案。低信噪比、通道共线性、跨被试差异及小数据过拟合均可能使学得图不稳定；统计依赖图也不能直接解释为生理或因果连接。一个可检验的假设是在固定 Cross-subject 划分与训练样本量下，联合学习较固定精度图改善预测表现及图稳定性，且精度估计仅使用训练数据。已有 EEG 相关工作尚未检索确认。