AGraSS：理解与调节 EEG 学习中的梯度谱

基于摘要分析。该研究针对 EEG 信号复杂、被试间异质性与噪声干扰带来的表征学习困难，分析任务梯度的谱结构，并提出面向 EEG 学习的优化器 AGraSS（Adaptive Gradient Spectral Scaling）。核心贡献是尝试从梯度更新方向解释被试相关变异的影响，并通过自适应谱缩放调节训练。 作者报告，训练中的梯度存在显著谱不平衡：谱头部的主导方向与被试相关变异有较强关联，而谱尾部的估计梯度信噪比较低。作者还使用潜在被试变异模型进行理论分析，以解释谱头部的结构；摘要中的关联结论不应直接解读为这些方向只包含被试信息或完全不含任务信息。 机制上，AGraSS 结合自动谱头部检测与软谱收缩，自适应缩放谱头部，并对预先检测出的被试相关方向施加额外衰减，从而缓和主导方向对参数更新的影响。摘要未提供梯度谱的具体构造、被试相关方向的检测方法、缩放公式及计算开销，这些实现与复现条件尚未验证。 作者报告，在六个 EEG 数据集上，使用专门设计的模型及预训练 EEG 基础模型进行实验，AGraSS 的表现优于 AdamW、Muon 等主流优化器。摘要未给出数据集名称、任务、被试数、评估指标、提升幅度及被试内或跨被试划分，因此不能据此量化收益，也不能确认其跨被试泛化效果。实验协议、消融及统计信息尚未验证。 全文核对重点包括：谱头部及被试相关方向如何识别、衰减是否保留任务判别信息、不同优化器的调参与计算预算是否可比，以及收益在不同模型和数据划分下是否稳定。平台推测（待验证）：若被试变异与任务信息在主导梯度方向上重叠，额外衰减可能同时削弱有效学习信号；这是需通过实验检验的风险，而非已观察到的结果。