空间之间：论折叠、对称性与采样

基于摘要分析。本文研究神经网络如何通过空间折叠表征数据中的对称性，以及如何量化这一现象；核心贡献是通过引入输入数据的等价类，将基于 ReLU 激活空间中 Hamming distance 的折叠度量推广到更广泛的激活函数，并分析其数学与计算性质、提出高效采样策略。 原有度量针对 ReLU 网络连续层对输入空间的折叠。本文的推广以输入等价类为基础，但摘要未给出等价关系的具体定义、适用激活函数范围、计算复杂度或采样步骤。摘要提及已有观察：在泛化误差较低时，折叠度随网络深度增加；在误差增大时，折叠度下降。作者据此将空间折叠解释为数据流形中所学对称性（例如反射不变性）的表现，并提出鼓励网络寻找较高折叠度解的正则化方案。该关系不宜直接解读为提高折叠度必然改善泛化，摘要也未提供正则化收益的量化结果。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该度量可能用于分析 EEG 模型是否学习了任务相关的不变性，而非仅拟合被试或通道特征；已有 EEG 相关工作尚未检索确认。可复用的是折叠度量与采样思路，需改造的是符合 EEG 生理与任务语义的等价关系，不能直接假定反射等变换保持标签。低信噪比、通道差异及小数据可能使高折叠度对应信息丢失，而不是有效泛化。一个可检验的小实验是在固定 Cross-subject 划分、架构和训练设置下，先测量各层折叠度与留出被试误差的关系，再依据正文定义比较有无折叠正则化的表现；上述均为迁移假设，不是论文已验证的 BCI 结果。