预测不确定性能否指引我们找到缺失信息？部分 EEG 观测下的受控审计

基于摘要分析。该研究考察预测不确定性是否不仅能识别困难预测，还能判断哪些不可用的 EEG 测量更重要；核心贡献是通过受控通道遮蔽，检验这两种解释是否成立，而非提出新的 EEG 解码方法。 审计固定历史观测、未来预测目标、预测时距及保留通道数量，仅改变保留通道的身份。作者报告，使用 1,600 小时数据训练的标准异方差预测器产生了随样本变化、与预测误差相关的不确定性，但这种不确定性并不能可靠解释缺失测量的后果。摘要未提供训练数据来源、被试数量、具体预测任务或数据划分细节。 作者报告，在互不重叠的两半被试之间，teacher-state consequence 排序的相关性约为 0.68；三种构造下，不确定性排序的对应相关性为 0.81–0.96。然而，两类排序的跨半总体对齐较弱或为负，且许多单独的通道掩码对之间的排序仍未得到确定。这表明两类排序各自具有可复现的群体结构，并不意味着它们衡量的是同一类缺失信息影响；上述相关性也不是 EEG 分类 Accuracy 或 BCI 性能指标。 为分析不确定性分数实际追踪的性质，研究引入 Local Predictive-State Dispersion，作为由模型定义的结构性探针。作者报告该探针与不确定性正向共变；解析 oracle 分析则指出，将其解释为精确的条件歧义取决于所处条件，不能普遍成立。 研究的阅读价值在于明确不确定性分数的语义验证边界：与误差相关，不等于能够指导缺失测量的重要性判断。其对实际通道选择或补测决策的效用尚未验证。teacher-state consequence、三种不确定性构造、探针及 oracle 的具体定义，以及实验协议、消融和统计信息均需全文核对。