相同信息，不同泛化：神经网络回归中的表示敏感性

基于摘要分析。该研究考察受控合成表格回归中的表示敏感性：可逆特征变换虽保留预测信息，却可能改变有限样本下的学习表现。其核心贡献是通过配对实验匹配变换引入的总体非线性程度，再分析非线性结构、输入分布与学习器如何共同影响泛化。 实验以最优仿射近似下相同的归一化总体误差作为匹配条件，使不同变换具有相同的总体非线性程度，但允许非线性的结构不同。作者报告，在这一受控条件下，神经网络仍可呈现不同的学习曲线；当变换后的坐标分别用于定义输入或目标关系时，表示变换造成的性能代价排序可能反转。作为对照，作者报告 XGBoost 在所考察的变换下几乎不受影响；这一结论应限定于文中的合成回归实验，不能推广为其对任意可逆变换均稳健。 分析方法采用适配实际观测输入分布的投影，将非线性目标能量按多项式次数分解。作者据此指出，预测信息保持不变并不足以保证学习表现不变：目标在观测坐标中的非线性结构、输入分布以及学习器本身都影响神经网络的表示敏感性。具体变换形式、网络配置、样本规模、误差数值、数据划分、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能帮助理解 EEG 连续变量回归中可逆坐标变换为何改变小样本泛化，但原研究不是 EEG/BCI 验证。可复用的是配对比较及分布适配的非线性分解思路；迁移时需处理 EEG 的时序依赖、噪声、跨被试分布差异，以及高维条件下投影估计不稳定的风险。一个可检验的小实验是在固定被试内划分与训练样本规模下，对同一组 EEG 特征施加预先规定的可逆变换，比较神经网络与 XGBoost 的学习曲线，并仅用训练数据估计变换和投影参数。若效果不能跨重复划分稳定出现，则不支持其在该任务中的迁移假设。已有 EEG 相关工作尚未检索确认。