当不变表示学习遇到标签偏移：不足与理论洞见

基于摘要分析。本文研究数据分布变化下不变表示学习的局限，围绕 generalized label shift（GLS，广义标签偏移）建立理论分析，并提出基于核嵌入的校正算法 KECA，以支持分布偏移下的知识迁移。主要研究对象是通用机器学习中的分布偏移，而非 EEG 或 BCI。 理论方面，作者报告推导了两个泛化界，并从贝叶斯视角论证 GLS 学习器能够充分接近最优目标模型；作者还报告，不变表示学习本身不足以保证所讨论情境下的泛化，GLS 校正具有充分性与必要性。这些结论应在论文所设假设与适用范围内理解，摘要不足以确定其覆盖的分布族、误差定义及证明条件。 方法方面，作者提出对已有偏移校正框架的统一理解，并以 KECA 降低泛化误差。作者报告理论与实验支持 GLS 校正的作用及所提算法的优势，但摘要未给出具体核嵌入对象、优化目标、监督需求、数据集、划分协议、对照基线或结果数值；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 跨被试或跨会话迁移满足相应 GLS 假设，校正分布偏移可能补充单纯对齐不变表示的不足。可考察复用 KECA 校正模块，但需先确认其对源域标签、目标域数据及样本规模的要求，并适配 EEG 表示。低信噪比、通道差异及小样本可能使分布估计不稳定，生理变化也可能超出 GLS 假设。一个可证伪的小实验是在固定 EEG 表示与目标域测试集的条件下，仅改变训练或适应样本的类别比例，对比不变表示基线与加入 KECA 的方法，并分别报告各偏移条件下的 Balanced Accuracy 与每类召回率。上述方案不是论文已验证结果；已有 EEG 相关工作尚未检索确认。