用于 ERP 型 BCI EEG 数据分类的深度学习优化器基准评估

基于摘要分析。该研究关注深度学习优化器在小数据场景中的适用性，通过 ERP 型 BCI EEG 分类任务，比较 AMSGrad、AdamW、Lion、Aida 和 Ranger21 五种自适应梯度优化器，并考察不同 batch size 与训练轮数下的表现。 研究的主要贡献是优化器的经验性基准评估，而非提出新的 EEG 分类模型。作者以优化器选择缺乏普遍适用的理论收敛保证、已有改进更多在大数据集上验证为研究动机，尝试为 ERP 数据上的训练配置提供依据。摘要未说明所用网络、数据集、被试数量、预处理、超参数搜索范围，以及被试内、跨被试或跨会话评估协议，因而尚不能判断结论适用于哪些具体 BCI 场景。 作者报告，在所测试的 batch size 与训练轮数设置下，除 Ranger21 外，优化器表现较稳定，与 AdamW 相当或略优；Aida 的平均表现最佳，在较大 batch size 下亦如此。摘要未给出评价指标、具体数值或统计不确定性，也未说明 Ranger21 的具体表现，不宜据此将其概括为普遍较差。 作者将这些结果定位为辅助选择优化器、减少深度神经网络训练时间的一步，但摘要没有提供训练耗时或达到目标性能所需计算量的量化证据。复现时需核对各优化器的学习率与调度、正则化配置、调参预算、随机种子，以及性能和耗时的比较口径；实验协议、消融及统计信息尚未验证。