PiCa：基于列空间投影的参数高效微调

基于摘要分析。本文研究大型基础模型面向专门任务与领域适配时的参数与部署开销，提出参数高效微调方法 PiCa（Parameter-Efficient Fine-Tuning with Column Space Projection）。其核心是将梯度投影到预训练权重的主列空间，并结合权重共享策略进一步提高参数效率；主要研究对象是 NLP 与视觉任务，而非 EEG 或 BCI。 机制与对照：摘要以 LoRA 和利用预训练权重 SVD 几何信息的 SVFT 为背景。作者称，从理论上证明了主列空间梯度投影能够为适配提供有效的归纳偏置，但具体定理假设、子空间选取方式、投影实现及权重共享范围尚未验证，不能据此认定其适用于任意预训练模型。 结果与证据边界：作者报告，在多种 NLP 与视觉任务中，PiCa 在相近或更小的参数预算下持续优于所比较的先进基线。摘要未提供具体模型、数据集、指标、数值或预算定义，因此尚不能核对收益幅度，也不能将参数效率直接等同于训练速度或部署延迟改善；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可检验的迁移假设是，若 EEG 基础模型的预训练权重主列空间保留了下游任务所需的适配方向，PiCa 可能提供低参数预算的适配途径。可复用部分是梯度投影与权重共享思路，需核对并改造目标权重及共享范围；其依赖可访问的预训练权重和下游训练信号，摘要未说明所需监督形式与数据规模。低信噪比、跨被试差异及通道变化可能使有效更新方向落在主列空间之外，小数据也可能导致适配不稳定。一个小规模检验是在固定 EEG 预训练模型、数据划分及可训练参数预算下，对比 PiCa 与 LoRA 的跨被试适配表现，并检验投影子空间选择是否影响结果。相关 EEG 工作尚未检索确认。