深度残差网络中的逐层随机动力学：初始化与表征学习后的经验系统辨识

基于摘要分析。该研究针对标准有限深度 ResNet 内部表征动力学缺少数据驱动辨识的问题，将残差块深度视为离散时间、输入样本视为随机总体，比较 Pre-act 与 Post-act ResNet152 在随机初始化和 ImageNet-1K 训练后的表征演化，提出以经验辨识的随机过程参数量化架构与表征学习的影响。 方法上，研究先利用平方位移（SD）与时间奇异值分解（SVD）评估扩散性的时间结构，再辨识具有特征特异性参数的 AR(1) 模型，并将样本峰度映射为广义误差分布（GED）的形状参数，以刻画涨落分布。这里的“时间”对应网络深度，而非输入信号的真实时间。 作者报告，在考察的深度范围内，两类架构在初始化及训练后的内部表征演化均可由 AR(1) 型离散随机过程有效描述，但转移参数分布随架构和训练状态明显变化。Pre-act 的自回归系数集中于单位根附近，表现为类似随机游走的扩散；带有残差相加后 ReLU 的 Post-act 则表现为 Ornstein–Uhlenbeck（OU）型均值回归动力学。作者还报告，训练会使与状态无关的截距项发生系统性变化，上述现象在随机选取的 30 个 ImageNet-1K 类别中一致出现。作者据此认为，架构影响均值回归及涨落分布形状，表征学习则塑造与任务适应有关的状态无关漂移分量。 摘要未给出具体深度区间、样本规模、拟合优度、参数不确定性及替代随机过程的比较细节，实验协议、消融及统计信息尚未验证；这些信息决定了 AR(1) 描述的适用边界。 平台推测（待验证）：该框架可能用于分析残差式 EEG 编码器的逐层表征变化，而非直接作为 EEG 解码算法。假设其适用于具有可比较层间特征坐标的模型，可复用 SD、时间 SVD 和 AR(1) 参数估计，但需适配通道与特征维度，并区分网络深度和 EEG 时间轴。低信噪比、被试差异及小样本可能使参数估计不稳定。一个可证伪的小实验是在固定 EEG 数据划分下，对比同一残差编码器初始化与训练后的拟合残差及参数稳定性，检验该随机过程描述是否成立；已有 EEG 相关工作尚未检索确认。