刻画神经网络表征空间中情绪的几何与时间组织

基于摘要分析。本文研究语言模型内部的情绪概念是否具有结构化几何，以及这种结构如何随对话中的情绪变化而演化；核心贡献是通过 State、Continuous 和 Dynamic 三种表征形式，统一分析情绪的类别、连续与时间属性。研究对象是文本语言模型的内部表征，而非神经记录信号。 作者使用 BERT、DistilBERT、MiniLM 和 RoBERTa 等仅编码器 Transformer，在情绪分类和对话数据上比较不同架构及表征目标。作者报告：在所用数据与评估设置下，情绪概念普遍可通过线性解码获取，同时集中于相对原始表征空间具有更低内在维度的紧凑、结构化子空间。表征目标会影响具体组织方式，但不同架构保留了部分共同几何模式。摘要未提供数据集名称、划分、维度估计方法、量化指标或对照细节，相关实验协议、消融及统计信息尚未验证。 在对话轨迹分析中，作者报告相邻情绪状态具有预测持续性，情绪转变附近的表征动态呈现系统性变化。上述结果支持作者关于几何与时间组织相联系的解释，但尚不能确定这些模式对说话者差异、文本内容或对话划分的敏感程度；这些是阅读正文时需核对的事项。 平台推测（待验证）：可迁移的主要是“线性可解码性—内在维度—状态转变动态”的分析框架，而非已验证的 EEG 模型。假设 EEG 情绪表征也存在稳定的低维组织，可在具有情绪标签和时间顺序的 EEG 数据上，以冻结表征的线性探针及局部维度分析作为小规模检验，并比较真实序列与打乱顺序后的转变动态。需将文本编码器替换为 EEG 表征模型，重新定义时间窗口和状态标签；低信噪比、跨被试差异、通道配置及小样本可能使几何结构不稳定。已有 EEG 相关工作尚未检索确认。