数据几何保留预测性能，但重塑解释

基于摘要分析。研究探讨：对同一经验数据表征采用不同的比较几何，是否既能保持个体层面的预测性能，也能保持解释所依赖的局部结构。作者将这一问题称为 prediction explanation invariance problem，并在形态测量 MRI、fMRI 和 EEG 数据上比较 Frobenius geometry 与 trace geometry。 核心机制是固定经验矩阵表征，改变矩阵之间的比较几何。研究对象为编码相似性、耦合或交互关系的半正定矩阵；分析同时关注预测性能、个体决策分数与预测标签，以及局部邻域、扰动敏感性和解释排序。摘要未提供两种几何的具体数学定义、矩阵构建方式、分类器、解释方法或训练与评估划分，不能据此推定具体实现。 作者报告，在所考察的数据与评估条件下，两种几何的预测性能总体上得到保留，但性能相近并不意味着个体决策分数或预测标签一致；局部邻域、扰动敏感性和解释排序也表现出依赖几何的差异。作者还报告，降维使两种个体空间几何逐渐趋于一致，同时分类性能与决策层面的一致性下降。因此，几何结构趋同、预测性能与决策一致性不能视为同一性质，也不能相互替代。 对 EEG 研究的直接启示是，应分别核对总体预测表现、个体决策与解释稳定性，而非把性能近似视为解释可靠性的充分依据。摘要未给出 EEG 任务、数据集、被试数、通道配置、被试内或跨被试等评估协议及具体指标，尚不能判断结论在特定 BCI 场景中的适用范围。实验协议、消融及统计信息尚未验证；复现还需核对几何定义、降维流程、解释排序的计算方式及实现资源。