MaxSup：修正 Label Smoothing 以改善特征表征

基于摘要分析。本文研究 Label Smoothing 如何影响特征表征，提出 Max Suppression（MaxSup），旨在避免模型错误预测时出现与正则化目标相悖的过度自信。原研究对象是图像分类与机器翻译，而非 EEG 或 BCI。 机制方面，作者将 Label Smoothing 引入的损失分解为正则化项与错误增强项，并据此指出：当分类器预测错误时，Label Smoothing 可能反而鼓励过度自信。MaxSup 的设计目标是不依赖预测是否正确，持续施加预期的正则化作用。摘要未给出损失公式、超参数或实现细节，尚不能确认其具体计算方式与训练开销。 作者报告，特征可视化显示 MaxSup 扩大了类内变化，同时改善类间可分性；在图像分类与机器翻译实验中，作者报告其优于所比较方法。摘要未提供数据集、划分、基线配置或具体指标，因此无法判断收益幅度及适用范围。实验协议、消融及统计信息尚未验证。材料提供了匿名实现链接，但代码内容与复现条件尚未核验。 平台推测（待验证）：其可迁移假设是，EEG 分类中的标签平滑也可能压缩具有判别价值的类内差异，MaxSup 或可作为训练损失层面的替换模块。该路径依赖有监督分类标签，不要求直接复用图像或文本输入结构；EEG 编码器、标签定义和正则化强度仍需适配。低信噪比下扩大类内变化也可能保留伪迹或被试差异，小数据时收益可能不稳定。可在固定 EEG 编码器与跨被试划分下，仅比较普通交叉熵、Label Smoothing 和 MaxSup，核对分类表现、错误预测置信度及类内／类间表征变化。已有 EEG 相关工作尚未检索确认。