通过排斥式最后一层集成实现不确定性预测的函数空间多样性

基于摘要分析。本文研究如何以粒子优化近似函数空间中的 Bayesian inference，并使不确定性估计适用于大型及预训练神经网络。核心贡献是调整施加预测多样性的输入样本，并以单个多头网络构建 repulsive last-layer ensemble，替代由多个完整网络组成的 deep ensembles。 机制上，各粒子通过在指定输入上的预测差异维持函数空间多样性，因此输入选择会影响这种排斥约束的作用。作者报告，在训练数据上强制预测多样性可能导致欠拟合；使用破坏标签语义的数据增强或无标签分布外数据，则可改善预测多样性与不确定性估计。这不等同于任意分布外样本或任意增强都有效，具体构造及适用范围尚需核对。 作者利用函数空间表述对网络参数化的灵活性，以共享网络、多预测头表示粒子，而非为每个粒子配置完整网络。作者报告，该设计仅增加少量参数与计算，可接入预训练网络进行不确定性感知微调。摘要未提供具体数据集、模型规模、指标、收益数值或开销测量；粒子更新、排斥项形式、骨干是否冻结、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能适用于预训练 EEG 模型的不确定性估计，尤其是跨被试或跨会话分布变化下的错误识别。可复用模块是共享骨干与排斥式预测头，需改造的是多样性输入的构造和 EEG 增强策略。低信噪比、通道差异及小数据条件可能使预测头主要响应伪迹，或因过强排斥损害任务判别；原领域结果不构成 BCI 有效性证据。一个可检验的小实验是在固定跨被试划分、相同骨干与微调条件下，对比单预测头、无排斥多头及排斥式最后一层集成，同时评估任务性能、校准与错误检测能力，并记录额外开销。相关 EEG 工作尚未检索确认。