优势随条件交叉，而非恒定：复值网络何时真正有帮助？

基于摘要分析。本文研究复值神经网络（CVNNs）在幅度与相位承载信息的任务中何时真正优于实值网络，主要以无线电调制识别为受控实验，并涉及量子与 EEG 数据。核心贡献是将表面上的普遍优势拆解为信噪比相关的性能交叉、基线与训练选择的影响，以及复值层所施加的对称约束。 作者报告，在覆盖九个 SNR 水平、包含相位主导、幅度主导及联合调制的七分类 RadioML 2018.01A 任务中，复值模型相对仅含笛卡尔表示的实值基线集合领先 7.94 个百分点；加入极坐标实值基线后仅领先 0.71 个百分点。在相同搜索空间内按模型家族独立调参后，复值模型反而落后 0.58 个百分点，采用稳定复值激活的配置则落后 3.29 个百分点。作者报告，在所测三种配置中，复值模型在相位估计噪声较大的临界 SNR 区域最多领先 12 个百分点，但信号变干净后由显式极坐标表示反超，交叉点均位于 2–6 dB。 作者将优势膨胀归因于基线集合受限、共享试验选择规则及训练预算：共享试验选择更偏向衡量对共同配置的稳健性，而非各模型的峰值性能；在相移键控数据上，作者报告复值优势从有限训练预算下的 9.3 个百分点缩小至收敛时的 0.4 个百分点。 EEG 相关结果主要涉及激活函数选择。作者报告，在幅度结构化 EEG 任务中，复值激活选择可使 Accuracy 相差最多 61 个百分点，且影响方向依赖任务；基于 |z| 的门控可恢复幅度结构，却会损害 RF、量子及 EEG 数据中的相位主导任务，因此不能作为通用配置建议。摘要未给出 EEG 数据集、被试数及被试内或跨被试划分，不能据此推断 BCI 性能收益。 机制上，作者将复值层解释为堆叠实值双通道层的 U(1) 等变子空间，即与对称性一致的表达能力约束，而非额外表达能力。作者报告，构造的受约束实值网络与复值网络的性能差约为 −0.9 个百分点，并比匹配的无约束实值网络高 2.4–11.1 个百分点；这些比较的具体任务与协议尚待全文核对。实验协议、消融及统计信息尚未验证，当前证据支持重新审视优势归因，而非断言复值运算本身普遍改善 EEG 解码。