迈向完全协变的机器学习

基于摘要分析。本文是一项概念性研究，讨论机器学习如何尊重数据表示中的被动对称性，以及它与主动对称性、因果建模和样本外泛化的关系；核心贡献是提出分析框架，而非发布具体模型或已验证的 EEG/BCI 方法。 作者指出，坐标、规范和单位等表示选择由研究者引入，并不属于数据生成过程本身；不同表示之间的变换因此对应被动对称性，图节点的重标记或置换是机器学习中的典型例子。主动对称性则需要通过观察和实验确立，例如物理规律的平移或旋转不变性。作者认为，现有等变机器学习文献主要关注后者，并讨论尊重被动对称性时机器学习实践应遵循或避免的做法。这里的协变不应简单等同于输出不变：表示变化后，模型输出应如何变化，取决于任务及输出的表示方式。 作者主张，实现被动对称性可能尤其有利于样本外泛化，并提出其可能像在物理学中那样促进机器学习发展的猜想；这些不是摘要中经实验验证的结论。具体实现、数据需求、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：这一框架可用于审查 EEG 模型是否不当地依赖通道排列或单位约定。可复用的是输入与输出变换规则的一致性原则；需改造的是通道位置、参考方式及任务输出的表示，不能把跨被试生理差异直接视为表示对称性。一个可证伪的小实验是在固定数据划分下，同时置换 EEG 通道及其位置元数据，检验预测是否保持任务所要求的一致性，并与未约束模型对照。该测试仅验证表示一致性，不能证明跨被试泛化改善；低信噪比、缺失通道和小数据仍可能限制性能。已有 EEG 相关工作尚未检索确认。