一种表征学习理论给出核方法的深度推广

基于摘要分析。本文研究如何在无限宽理论中保留深度模型的表征学习能力，提出 Bayesian representation learning limit，并据此构造核方法的深度推广 deep kernel machines（DKMs）。主要对象是深度 Gaussian process（DGPs）及核方法，而非 EEG 或 BCI。 核心机制：标准 NNGP 无限宽极限会消除表征学习，作者提出的新极限旨在保留类似有限宽模型的表征变化，同时维持一定的理论可处理性。作者报告，在该极限下，DGPs 的后验严格为多元 Gaussian 分布；后验协方差可通过优化一个可解释目标获得，其中对数似然用于改善预测表现，一系列 KL 散度用于约束后验接近先验。作者报告在较宽但有限宽的 DGPs 中进行了实验确认，摘要未提供具体数据集、宽度、划分或指标。 计算与扩展：DKMs 将上述极限及目标用作灵活的深度核方法。作者指出，朴素 DKMs 对数据点数量具有立方级计算复杂度，并借鉴 Gaussian process 的诱导点方法构造对数据点数量呈线性扩展的稀疏 DKM；该表述不意味着其对诱导点数量或模型深度也呈线性复杂度。摘要还说明附录将方法扩展至具有非 Gaussian 后验的神经网络，但具体推导与适用条件尚未验证。 平台推测（待验证）：若 EEG 任务能构造稳定的样本间核相似度，可假设 DKM 的逐层表征优化与先验约束有助于小样本分类。可复用的是核优化目标与诱导点近似，需改造的是 EEG 输入表征、核函数及先验。低信噪比、通道差异和跨被试分布变化可能使核相似度失真，小数据下深度优化也可能过拟合。一个可证伪的小实验是在固定 EEG MI 数据划分下，对比相同输入特征、相同诱导点预算的稀疏 Gaussian process 与稀疏 DKM，分别报告被试内和跨被试 Accuracy，检验收益是否稳定。已有 EEG 相关工作尚未检索确认；原文实验协议、消融及统计信息尚未验证。