何时值得启用第二种表示？面向序列学习的信息波粒二象性

基于摘要分析。本文研究有限模型容量下，增加一种表示何时真正有益，提出 Information Wave–Particle Duality（IWPD），将分布式频谱 Wave 视图与局部化 Packet 视图视为同一已观测历史的两种有损表示。核心贡献是把额外表示的信息价值、模型逼近负担与表示成本联系起来，而非默认多视图融合总是更好。 理论上，在 Bayes 对数损失下，给定已有视图后加入另一视图的上下文相关价值，恰好对应具有方向性的条件互信息。对于受限预测器，作者推导有限容量分解，指出总体分布上的正信息增益仍可能被逼近负担抵消，并在加入表示成本后得到显式激活规则。实现上，Wave 分支采用受约束的最大熵频谱先验，选择器仅依据历史信息预测 Base、Wave、Packet、Dual 四种动作的任务风险；具体网络、风险估计训练方式及成本定义尚未验证。 作者报告，在五个数据集上的实验不支持 Dual 普遍占优。在相同输入、相同数据划分的四动作轨迹预测协议下，历史信息选择器在 highD/NGSIM 的全部 12 个预测时域条件中，五个随机种子的平均 ADE 均低于各条件下最佳固定动作。该结论限于上述协议，不能外推为所有任务上优于固定表示；作者也明确保留该设置之外的失败情形。数据划分细节、ADE 数值与单位、消融及统计信息尚未验证。 平台推测（待验证）：若将频谱与局部时序视图用于 EEG，IWPD 的风险选择框架可能对应“何时融合频域与瞬态信息”的问题。可复用的是带成本的动作选择思路，需改造信号编码器与任务风险估计。假设其适用性依赖两类表示具有互补信息，且小数据足以训练可靠选择器；低信噪比、通道变化与跨被试分布偏移可能使风险估计失准。可在固定的 EEG 跨被试划分下，以相同输入和容量约束比较四种固定动作与历史信息选择器，检验选择器能否稳定超过验证集确定的最佳固定动作。已有 EEG 相关工作尚未检索确认。