参数对称性并非任务对称性：权重空间学习可以采用哪些不变性？

基于摘要分析。本文研究从神经网络参数预测其属性的权重空间学习，核心问题是：保持网络函数不变的参数变换，是否也保持待预测目标不变？作者提出应按目标确定任务对称群，而非统一对所有参数对称性施加不变性；作者报告，对超出任务对称群的变换取商会产生不可约误差，并给出紧群情形下的精确计算。 在 LoRA 中，作者推导出同一参数化下不同目标的不变性层级：函数层面目标具有 GL_r 不变性，欧氏敏感性仅具有 O(r) 不变性，梯度稀疏性仅对带符号置换不变，而与初始化的距离不具有对称性。摘要将中间两级与优化器联系起来，指出梯度下降和 Adam 分别通过 ℓ₂ 与 ℓ₁ 梯度范数度量进展；其具体定义与推导条件尚未验证。作者还指出，涉及参考模型的目标，例如相对预训练基座的漂移，会失去权重空间架构通常施加的神经元置换对称性。 作者报告，在合成模型集合（synthetic zoos）与经 LoRA 微调的语言模型上，实验支持预测的不变性层级差异。摘要未提供具体模型、样本规模、数据划分、对照架构或指标数值，实验协议、消融及统计信息尚未验证。复现时需核对目标定义、群作用、取商方式，以及理论误差与实验误差的对应条件。 平台推测（待验证）：若将权重空间学习用于 EEG 解码模型的属性预测，该判据可能帮助区分函数性能目标与相对基座漂移等参考依赖目标；这不构成已验证的 EEG 或 BCI 效果。可复用的是任务对称性分析，需重新定义 EEG 模型上的目标、参考模型及参数变换。一个可检验的小实验是，对同一 EEG 解码模型施加保持函数不变的神经元置换，分别检查解码性能和相对固定基座的参数距离是否保持不变，再比较强制置换不变与保留参考对应关系的预测器。低信噪比、小模型集合及跨被试或通道配置差异可能影响属性估计与泛化；相关 EEG 工作尚未检索确认。