AdaptiveMix：通过特征空间收缩改进 GAN 训练

基于摘要分析。本文主要研究图像 GAN 训练中判别器面对动态训练分布、图像表征不稳定的问题，提出 AdaptiveMix 模块，以收缩判别器表征空间中训练数据所占区域的方式改善训练，而非研究 EEG 或 BCI。 核心机制：作者从鲁棒图像分类的角度出发，考虑到直接约束特征空间较困难，混合一对训练图像构造难样本，再缩小难样本与易样本之间的特征距离。摘要未说明混合比例、难易样本的具体定义、距离度量、损失形式及其与 GAN 目标的组合方式，这些实现细节尚未验证。 结果与证据：作者报告，在常用及先进 GAN 架构上的评估显示，AdaptiveMix 可促进 GAN 训练并改善生成图像质量；结合现有方法，也可用于图像分类和 Out-Of-Distribution（OOD）检测。作者报告在七个公开数据集上的实验提升了基线表现，但摘要未提供数据集名称、划分、指标、提升幅度或各任务的对照细节，不能据此量化收益或跨协议比较。实验协议、消融及统计信息尚未验证。摘要提供了公开代码地址，但实现、依赖和复现配置尚未核验。 平台推测（待验证）：若将该机制用于 EEG，假设混合样本仍能保留任务相关结构，难易样本的特征距离约束可能缓解表征对扰动的敏感性。可考虑复用特征约束思路，但需改造图像混合操作，以适配 EEG 的时间、通道和频谱结构，并明确标签或条件信息如何处理。低信噪比、跨被试差异、通道不一致及小数据可能使混合样本失真，或使收缩抹去判别信息。一个小规模可证伪实验是在固定被试内划分和分类基线下，对比无混合、仅混合与混合加特征约束，检验后者是否提供稳定增益；这并非原论文已验证的结果，相关 EEG 工作尚未检索确认。