通过逆相对投影实现潜在空间转换

基于摘要分析。本文研究独立训练的神经网络模型如何在潜在空间之间传递表示，提出通过相对空间作为中介实现潜在空间转换的方法，旨在复用已有编码器与下游模块，而非重新训练完整模型。 机制上，既有路线包括将各潜在空间独立映射至共享或相对空间，以及直接估计源空间到目标空间的变换。本文将两者结合：形式化讨论保角相对表示的可逆性，并以神经网络解码器模块的尺度不变性为假设，使语义相似的潜在空间能够独立投影到相对空间，再由相对空间投影至目标空间。摘要未给出逆投影的具体求解方式、参考样本构造及配对监督要求，这些复现条件尚未验证。 作者报告，在多种架构与数据集上的实验支持尺度不变性假设，并显示该方法能够高准确度地完成潜在空间转换；摘要未列出具体数据集、指标数值及对照协议。作者还报告，可在预训练文本、图像编码器与分类器之间进行零样本拼接，包括跨模态拼接。实验协议、消融及统计信息尚未验证，零样本设定下允许使用哪些参考数据也需核对正文。 平台推测（待验证）：若不同 EEG 编码器保留了足够一致的任务语义几何，且下游分类器近似满足尺度不变性，相对空间转换可能用于编码器与分类器的模块复用。可复用部分是相对表示与逆投影机制；需改造部分是适合 EEG 任务的参考样本构造和输出接口。低信噪比、跨被试差异、通道配置变化及小数据可能破坏语义几何一致性或使逆投影不稳定。一个可检验的小实验是在同一 EEG 数据集、相同通道与固定被试内划分下，独立训练两个编码器，仅以训练集构建参考表示，冻结编码器和分类器，比较逆相对投影拼接、直接线性映射与未对齐拼接的测试集 Accuracy；该实验只能检验受控条件下的模块兼容性。已有 EEG 相关工作尚未检索确认。