何时表征才是充分的？用于神经架构搜索的探针 V-信息

基于摘要分析。本文研究如何判断神经表征是否已包含完成任务所需的信息，并提出渐进式架构搜索方法 V-NAS，以基于探针的 V-information 替代难以估计的 Shannon 信息，为模型宽度与深度的容量控制提供可计算判据。 原文以 I(X;Y | Z)=0 定义表征 Z 的任务充分性，即给定 Z 后，输入 X 不再含有额外的任务相关信息。V-NAS 使用受限探针的交叉熵衡量表征中可提取的预测信息，据此判断增加宽度或深度是否带来有意义的收益。需要区分：相对于受限探针的可提取信息，不等同于完整的 Shannon 信息；探针能力与训练质量是否影响容量判断，是阅读正文时应核对的关键问题。 作者报告，在多个数据集与架构家族上，V-NAS 找到了更紧凑的架构，以显著较低的成本匹配更大基线的性能。摘要未给出具体数据集、划分、性能指标、成本口径或数值，因此目前不能量化收益，也不能判断成本是否包含搜索与探针训练。探针定义、搜索与停止规则、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移机制是利用任务监督下的探针评估控制模型容量，可能用于检验小样本 EEG 解码中扩宽或加深是否仍有收益；这不构成已验证的 BCI 效果。可复用的是探针评估与渐进式容量选择思路，需改造 EEG 输入编码，并在训练数据内部完成架构选择。低信噪比、通道差异和跨被试分布变化可能使探针低估有效信息，导致过早停止扩容。一个可证伪的小实验是在固定的跨被试 EEG 划分下，仅用训练被试内部验证选择容量，再与固定宽深架构比较留出被试的同一任务指标及总计算成本。已有 EEG 相关工作尚未检索确认。