仅依据选定证据进行预测：用于可审计 EEG 诊断的温度调节专家乘积瓶颈

基于摘要分析。研究针对预训练 EEG 骨干下游诊断头难以审计、预测与事后解释相分离的问题，提出证据信息瓶颈头 tPoE-EIB，在冻结 EEG 基础模型骨干之上约束分类器仅通过选定证据形成的潜变量作出预测。 机制上，tPoE-EIB 选择时间与通道证据，将所选证据的摘要映射为共享潜变量上的高斯专家，再通过温度调节的专家乘积后验进行融合。分类器只能访问该潜变量，监督学习目标同时加入以期望后验 KL 表示的信息率惩罚，从而限制证据通往决策的信息容量。作者提出，闭式温度调节后验可缓解相关证据轴融合时的过度自信；具体选择机制、温度设定、KL 参照分布与优化细节尚未验证。 评估覆盖事件类型分类、异常检测、癫痫发作检测、认知衰退分期、抑郁筛查和脑血管疾病分类六类诊断设置，涉及公共基准与内部临床队列、二分类筛查与细粒度分期，以及稀疏和密集电极配置。作者报告，tPoE-EIB 保持了有竞争力的 Balanced Accuracy，并在插入—删除与门控因果性测试等选择忠实性审计中优于代表性事后解释方法；摘要未提供具体数值、数据集名称、被试规模或被试内、跨被试及跨会话划分，不能据此量化改进幅度或比较不同设置。 结构化后验还支持专家移除、后验依赖和专家分歧等融合忠实性审计。阅读重点是区分“选中的证据是否影响预测”与“多个专家如何共同决定预测”，而非将可审计性直接等同于临床正确性。复现需核对骨干与冻结配置、证据选择及潜变量容量、审计干预定义、对照解释方法，以及临床队列划分。完整实验协议、消融、统计信息和代码可用性尚未验证。