CHASE：面向几何感知模型工程的通道对齐结构利用

基于摘要分析。本文研究如何将训练后网络的几何与谱结构用于实际模型设计，提出 CHASE（Channel-Aligned Structure Exploitation），覆盖模型修改、重配置与压缩六类应用。其共同依据是 Geometric and Spectral Alignment（GSA）对谱集中性、物理通道对齐、支撑结构及奇异基变化的刻画。 方法方面，CORA、COEC、CORAM 分别将 GSA 用于参数高效微调、结构化剪枝补偿及模型合并。摘要另提出三种方法：CAGA 识别可共享 KV 表示的多头注意力头，并通过几何对齐与低秩子空间提取构建共享的 key 和 value 头；SAKV 判断哪些相邻层可共享低秩 KV-cache 表示，并确定各层组的保留秩；CAPS 根据 GSA 谱结构对输出神经元分组，再为每组分别选择保留的输入通道。这里的“通道”指模型内部结构，不能直接等同于 EEG 电极通道。 作者报告，CORA、COEC、CORAM 的结果支持 GSA 在适配、剪枝补偿和模型合并中的有效性；在摘要所述实验中，CAGA 的几何共享头构建改善了 MHA-to-GQA 转换，SAKV 和 CAPS 分别优于 KV-cache 压缩与结构化剪枝的代表性基线。摘要未提供模型、数据集、评估协议、基线名称或量化指标，因此无法判断收益幅度及适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG Transformer 的训练后注意力头或层间 KV 表示存在可对齐的低秩结构，CAGA 或 SAKV 可能用于降低推理存储需求，CAPS 则可能用于模型内部通道压缩。这一假设依赖已训练模型中结构的稳定性，并不意味着原领域结果可直接迁移至 BCI。可复用的是几何对齐、低秩提取与分组选择思路，需改造的是 EEG 任务下的结构估计和压缩规则；低信噪比、跨被试差异、输入通道变化及小数据可能使估计不稳定，或使压缩损失任务相关信息。一个可检验的小实验是在固定 Cross-subject 划分下，对同一 EEG Transformer 比较几何对齐共享头与不使用几何对齐的共享头转换，在相同 KV 存储预算下评估任务性能和推理开销。已有 EEG 相关工作尚未检索确认。