通过参数空间对称性理解模式连通性

基于摘要分析。本文研究神经网络不同全局极小值之间为何可能存在训练与测试损失近乎恒定的连接曲线，即模式连通性（mode connectivity）。作者以参数空间对称性为切入点，将对称群的拓扑与极小值集合的拓扑联系起来，主要理论研究对象是线性网络，而非 EEG 或 BCI 模型。 核心机制是利用参数变换中的对称性刻画极小值之间的连接关系。作者报告，给出了满秩线性网络极小值集合的连通分支数量，并证明跳跃连接能够减少连通分支数量；进一步证明线性网络在允许置换对称性等价的意义下具有模式连通性，并提供由对称性诱导、位于极小值集合内的连接曲线显式表达。摘要未给出具体定理假设、连接曲线公式及其对非线性网络的推广边界，不能据此理解为任意神经网络的极小值均已被证明连通。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：这一理论可能帮助区分 EEG 模型参数差异中的对称等价与实际预测差异，为模型集成或微调路径分析提供工具，但它本身不解决低信噪比、跨被试分布偏移或小样本泛化问题。可复用的是对称性分析与连接路径构造思路；用于 EEG 网络时，需要重新核对非线性模块、网络结构及训练目标是否满足相应条件，而非依赖某个特定数据集或监督规模。 一个可检验的小实验是先在固定 EEG 任务及相同被试内划分上训练多个线性模型，在核对全文定理条件后构造连接路径，分别检查训练与测试损失沿路径是否保持稳定，并与直接参数插值对照。低信噪比和小数据可能使训练损失的连通性无法对应稳定的测试表现；跨被试或通道变化也不由参数对称性自动处理。已有 EEG 相关工作尚未检索确认。