通过约束松弛改进等变模型训练

基于摘要分析。本文研究已知数据对称性条件下等变神经网络难以优化、依赖细致超参数调节的问题，提出在训练过程中暂时放松硬性等变约束，随后逐步收紧，使模型最终回到等变解。 核心机制是在网络中间层引入额外的非等变项，通过控制该项激活的幅度，让优化过程先在包含近似等变网络的更大假设空间中进行，再逐渐恢复等变约束。其贡献主要是等变模型的训练框架，而非摘要中明确提出的新网络架构。非等变项的具体形式、约束调度、损失设计及训练结束时如何保证等变性，尚需正文核对。 作者报告，在不同的先进网络架构上，该框架能够得到泛化性能更好的等变模型。摘要未提供任务、数据集、划分协议、对照基线或具体指标，因此无法判断收益大小及适用范围；实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但代码完整性与复现条件尚未核验。不能根据来源栏目将本文认定为 State Space Model 方法。 平台推测（待验证）：若 EEG 任务具有经过验证的对称性，且硬性等变约束确实造成优化困难，这种渐进约束机制可能成为训练改造方案。可复用的是约束松弛与收紧的思路；需重新定义适合 EEG 的变换及中间表示，不能假定通道置换或空间旋转天然保持任务标签。低信噪比、小数据和跨被试差异可能使额外非等变项拟合噪声，或使预设对称性失效。一个可检验的小实验是在固定 EEG 数据划分、骨干及训练预算下，对比硬等变训练与渐进松弛训练，同时检查任务指标和训练结束时的等变误差。该建议不代表已证实的 EEG 效果，已有 EEG 相关工作尚未检索确认。