DENSER：深度演化网络结构化表示

基于摘要分析。DENSER 研究如何通过演化计算自动设计人工神经网络，同时搜索网络拓扑与训练相关超参数，其主要贡献是以双层表示组织结构和参数，并用上下文无关文法定义可搜索空间。原论文的主要研究对象是图像分类网络，而非 EEG 或 BCI。 机制上，外层编码网络的总体结构，即层序列；内层编码各层关联的参数。允许使用的层类型与超参数取值范围由人类可读的 Context-Free Grammar 定义，搜索范围还涉及学习参数和数据增强参数。这种设计使人工先验能够通过文法进入自动搜索，但摘要未交代演化算子、候选网络的训练与筛选流程或计算预算。 作者报告，在 CIFAR-10 上演化得到的网络平均测试 Accuracy 为 94.13%；随后将这些网络用于 MNIST、Fashion-MNIST 和 CIFAR-100 测试，其中 CIFAR-100 的测试 Accuracy 为 78.75%。这些结果属于图像分类评估，摘要未说明后续数据集上的重训练或微调方式、具体划分及平均次数，不能据此认定为无需适配的跨数据集迁移。作者关于自动设计 CNN 性能领先的表述是论文自身主张，其对照范围、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的机制是“文法约束下的结构与超参数联合搜索”，而非已演化出的图像网络本身。其潜在对应问题是 EEG 解码中网络结构与训练配置的选择；需将文法改造为适配 EEG 时序、通道布局及任务标签的搜索空间，并具备独立验证数据与足够的候选训练预算。低信噪比、被试差异、通道不一致及小样本可能使搜索过拟合验证集。一个可证伪的小实验是在固定 EEG 任务、被试内划分和等计算预算下，对比文法约束演化搜索与随机搜索，在独立测试集上评估解码表现及多次运行稳定性。已有 EEG 相关工作尚未检索确认。