SGDR：带重启的随机梯度下降

基于摘要分析。本研究关注深度神经网络训练中随机梯度下降的优化效率，提出简单的热重启方法 SGDR，以改善训练过程中的 anytime performance，即不同训练预算下可获得的模型表现；其主要贡献是优化策略，而非专门的 EEG 解码架构。 机制与对照：作者从无梯度优化中的重启技术，以及梯度优化中用于应对病态函数的部分热重启出发，将热重启引入 SGD。摘要未交代具体学习率调度、重启周期、优化器状态处理及对照设置，因此不能仅据此还原完整算法或判断收益来自何种因素。 结果与证据边界：作者报告在 CIFAR-10 和 CIFAR-100 上分别取得 3.14% 和 16.21% 的结果，并称达到当时新的最优水平；摘要未明确这两个百分比的指标名称、模型配置及评估协议，不能将其解释为 Accuracy 或直接用于横向比较。作者还报告该方法在一个 EEG 记录数据集及下采样 ImageNet 数据集上具有优势，但未给出 EEG 任务、数据集名称、被试数、划分方式或具体指标，因而尚不能判断其对跨被试或跨会话泛化的作用。 复现重点：摘要提供了源代码链接。复现时应核对热重启实现、训练预算、基线调参及 EEG 数据划分，并在相同模型与训练预算下比较优化策略。实验协议、消融及统计信息尚未验证；摘要中的 EEG 实验也不足以支持对通用 BCI 有效性的推断。