当等分约束损害关系学习：长尾分布下的容量–几何失配

基于摘要分析。本文研究长尾数据下关系表征学习中的容量–几何失配：平衡最优传输通过要求潜在分量获得等量质量来防止塌缩，但这一约束可能不符合当前表征所支持的数据几何。作者提出 PACI，估计表征所支持的伪吸引域容量，并将其一致用于传输指派与关系构建。 核心机制是：不匹配的分量容量迫使样本跨越表征所支持的吸引域，改变传输指派，进而污染关系教师及蒸馏信号。作者给出理论刻画，并建立全样本库传输关系与优化时小批次教师之间的有限批量联系。摘要未提供容量估计公式、损失形式、更新流程及计算开销，具体实现尚未验证。 作者报告，PACI 在多个长尾基准上优于广泛的先进深度聚类方法，但摘要未列出数据集、划分、指标及数值。作者报告，受控容量扰动呈现了从容量失配到指派位移、再到教师污染的变化链条；干预实验进一步将指派位移识别为表征质量下降的主要路径，并与关系归一化效应区分。上述结论的具体训练条件、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 自监督聚类或关系蒸馏也使用等质量最优传输，且潜在状态呈长尾分布，容量匹配可能具有可复用价值；但原论文对象是通用长尾表征学习，并非 BCI。迁移需改造容量估计与关系构建，使其适应低信噪比、被试差异和通道变化；小数据下估计出的伪吸引域也可能主要反映伪迹或被试身份，而非任务结构。可在固定 EEG 数据划分、骨干与训练预算下，对照等容量和估计容量，并受控改变训练样本的不均衡程度，联合检查指派变化及下游任务指标。已有 EEG 相关工作尚未检索确认。