捷径不变性：解耦潜在空间中的定向 Jacobian 正则化

基于摘要分析。本文研究深度神经网络利用训练数据中的虚假相关性形成捷径、进而损害分布外（OOD）泛化的问题，提出在解耦潜在空间中注入定向各向异性噪声，以降低分类器对候选捷径方向的敏感性。主要研究对象是通用捷径学习，摘要以跨机构采集协议不同的医学影像说明问题背景，并未报告 EEG 或 BCI 实验。 方法将捷径学习解释为模型过度依赖与捷径对齐的潜在轴，通过潜在轴与标签的强相关性识别候选方向，再在训练时沿这些方向施加噪声。与删除、投影移除或对抗抑制捷径特征的方法不同，它保留完整表征，转而约束分类器的功能敏感性。作者称，各向异性噪声可诱导定向 Jacobian 与曲率正则化，使决策边界沿捷径轴趋于平坦，同时使核心特征维度基本不受影响。具体推导条件、噪声分布及强度、解耦表征的获得方式尚未验证。 作者报告，该方法无需捷径标签或训练集中的捷径冲突样本，在标准捷径学习基准上取得最先进的 OOD 表现；摘要未提供基准名称、划分、对照方法或指标数值，因此无法核对该结论的适用范围。需要重点核对强标签相关性如何区分真实任务特征与捷径，以及潜在轴不充分解耦时的行为。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 表征能将任务信息与设备、会话等采集因素分离，定向噪声或可用于缓解采集因素与标签偶然相关造成的泛化问题。可复用的是潜在轴筛选与噪声正则化思路，需改造的是 EEG 编码器、解耦机制及候选轴验证流程；低信噪比、通道变化和小样本可能使真实任务轴被误判为捷径轴。一个可检验的小实验是在同一 EEG 任务中人为设置采集因素与标签的训练相关性，在独立会话中解除该相关性，固定编码器和划分，对比无噪声、各向同性噪声与定向噪声的 Balanced Accuracy，并检查被试内性能是否受损。此为迁移假设，不是原论文结果；已有 EEG 相关工作尚未检索确认。