通过潜在空间分解发现独特概念向量

基于摘要分析。本文研究如何在不预先由用户定义概念的情况下，解释深度模型学到的表示，提出一种事后无监督方法，通过潜在空间分解与聚类自动发现概念向量，以减少概念选择受用户预期影响的问题。原研究对象是通用深度模型的概念解释与训练数据探索，并非专门的 EEG 或 BCI 方法。 核心机制是在模型某一层的潜在表示中提取奇异向量，再通过无监督聚类加以细化，寻找沿高方差方向、与模型预测相关且语义上彼此不同的概念向量。摘要未说明具体层的选择、表示矩阵构造、聚类算法及预测相关性的计算方式，这些细节尚未验证。 作者报告，在其所述实验范围内，多数发现的概念易于人类理解、具有一致性并与任务相关；在训练数据探索中，这些概念向量能够识别受多种混杂因素影响的异常样本。摘要未提供数据集、模型架构、对照基线、评价指标或数值，实验协议、消融及统计信息尚未验证。其跨数据类型和模型架构的适用范围也需结合全文核对。 平台推测（待验证）：该机制可能用于探索 EEG 模型的潜在表示，检查高方差概念是否对应任务信息，或主要反映伪迹、被试及会话差异。可复用的是表示分解与聚类流程；需要改造的是概念到 EEG 时段、通道及频谱特征的映射与验证。方法虽以无监督方式发现概念，但仍依赖已训练模型及足够的表示样本；EEG 的低信噪比、通道差异和小样本可能使高方差方向被非任务因素主导。一个可检验的假设是：在固定 EEG 模型和既定跨被试划分下，仅用训练集提取概念，再在留出被试中检验概念稳定性、预测相关性及其与伪迹标注的关联。已有 EEG 相关工作尚未检索确认。