Neural Darwinism：卷积神经网络中表征演化的理论框架

基于摘要分析。本文研究卷积神经网络训练中的表征演化与模型压缩，将人工神经元视为在训练期间竞争存续的适应性单元，提出统一的 Darwinian Score，并以 Neural Darwinism Culling（NDC）实现动态神经元剪枝。 该评分涵盖信息多样性、功能贡献和时间适应性三个维度，并据此构造平衡模型紧凑性与预测保真度的约束优化目标。NDC 持续移除低适应度神经元，例如激活塌缩、对损失下降的因果影响可忽略或参数轨迹停滞的单元，同时保留具有差异化表征与适应性的单元。作者将其描述为可解释、感知网络层次的剪枝机制，并提出保留高适应度神经元能够维持网络功能容量的近似保证；具体数学定义、假设及误差界尚未验证。 作者报告，在摘要所称的多种方法设置下，NDC 相比所比较的 SOTA 方法获得更高稀疏度与更好的泛化，尤其是在极端压缩条件下；作者还报告消融支持 Darwinian Score 是收益的关键来源。摘要未提供数据集、模型、稀疏度定义、对照方法或数值，实验协议、消融及统计信息尚未验证。复现需核对评分估计方式、训练轨迹采样、剪枝调度，以及压缩后的性能恢复流程。 平台推测（待验证）：这一机制可能用于 EEG 卷积解码器的冗余压缩，但原论文主要研究一般深度网络，不能据此认定已有 BCI 收益。可复用部分是适应度评分与动态剪枝逻辑，需改造或校准的是时序特征的多样性度量及功能贡献估计。低信噪比和小数据可能使评分波动，将对少数被试有用的单元误判为冗余。一个可检验的小实验是在固定 Cross-subject 划分与相同训练预算下，比较 NDC 和幅值剪枝，在匹配压缩程度时测量 Accuracy 与实际推理延迟，并检查不同随机种子的稳定性。已有 EEG 相关工作尚未检索确认。