EEG 仿真推断中基于门控的特征重要性：一项警示性研究

基于摘要分析。本研究考察 EEG 仿真推断（Simulation-Based Inference，SBI）中的可解释性问题：与推断模型联合训练的特征门控权重，能否可靠反映各输入特征对参数推断性能的重要性。核心贡献是将门控权重与逐特征移除、重新训练得到的消融重要性进行对照，检验低成本门控解释的可靠性。 研究使用神经后验估计（Neural Posterior Estimation，NPE），推断描述相互作用神经元群体的 Jansen-Rit 动力学模型中的四个生理参数。作者比较了两种联合训练的门控机制：独立的 sigmoid 权重与具有竞争关系的 softmax 权重。对照基准每次移除一个特征并重新训练 NPE，用以衡量该特征对推断性能的贡献，而非仅观察原模型中的权重大小。 作者报告，在九个独立训练随机种子的实验中，门控重要性与消融重要性呈负相关：sigmoid 门控的 Spearman’s rho 约为 −0.61，softmax 门控约为 −0.56。消融基准判定最重要的单一特征是总信号功率，但它同时属于被门控赋予较低权重的特征。作者还报告，加入门控对预测准确性的影响可忽略；摘要未给出该准确性的具体定义或数值，因此不能据此判断参数推断误差的大小。 这些结果提示，预测性能得到保留，并不保证学习到的权重能够忠实解释特征贡献。作者将其与自然语言处理中的注意力解释问题及 EEG 深度学习解释方法中的既有现象联系起来，提醒科学机器学习流程谨慎使用门控权重。需要区分的是，移除特征并重新训练衡量的是特定训练流程下的性能依赖，并不自动构成生理因果重要性的证明；本研究也不宜被扩展为所有门控方法均无解释价值的结论。 全文尚未取得，输入特征构成、数据来源与规模、训练及评估划分、消融性能指标、相关系数的汇总方式和统计不确定性尚未验证。复现时应重点核对门控与消融实验是否采用一致的训练预算和评估协议，以及结果对随机种子和特征冗余的敏感性。