表征遗忘：通过信息压缩实现遗忘

基于摘要分析。本文研究机器遗忘，即移除特定训练数据对模型的影响，提出 Representation Unlearning：不修改原模型参数，而是在表征空间学习变换，以信息压缩实现遗忘，同时保留其他数据的效用。原论文研究对象是通用机器遗忘，并非 EEG 或 BCI 专用方法。 核心机制是在表征变换中施加信息瓶颈，最大化与保留数据的互信息，同时抑制关于待遗忘数据的信息。作者推导了使目标可计算的变分替代形式，并讨论两种条件：保留数据与待遗忘数据均可访问，以及仅能访问待遗忘数据的 zero-shot 设置。这里的“不修改模型参数”不等于无需学习，表征变换本身仍需学习；其具体形式、训练方式及 zero-shot 条件下如何约束保留效用尚未验证。 作者报告，在多个基准实验中，该方法相较以参数修改为中心的基线，遗忘更可靠、效用保留更好且计算效率更高。摘要未提供基准名称、数据划分、基线配置、指标或数值，故无法判断优势幅度与适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 模型能输出可访问表征，且待删除被试或会话数据可明确标识，该机制可能用于研究数据撤回后的表征级遗忘。假设是可通过变换削弱被试相关信息而保留任务信息；可复用信息瓶颈与变分目标，但需适配 EEG 表征、遗忘粒度及任务效用约束。低信噪比、通道差异和小样本可能使身份信息与任务信息难以分离，导致效用下降。一个可证伪的小实验是在固定跨被试划分与 EEG 编码器下，指定一名训练被试为遗忘对象，比较表征变换、原模型与删除该被试后重训模型的任务效用、遗忘评估结果及计算成本。原领域结果不构成 EEG 有效性证据，已有 EEG 相关工作尚未检索确认。