循环权重空间中受任务限制的对称性

基于摘要分析。该研究考察循环网络权重空间中的功能冗余：循环矩阵的某些变化可以近似保持任务分布上的输入—输出展开行为，而尺度相近的其他变化可能破坏同一行为。作者以单层 tanh RNN 为对象，使用有序实 Schur 坐标开展结构化消融，诊断哪些权重扰动保留已训练网络的计算。 核心机制是通过 Schur 形式区分谱块与有向非正规耦合，并在保持输入映射和读出映射固定的条件下，移除选定耦合。这使分析聚焦于循环动力学内部的结构，而不是依赖输入或输出映射的同步补偿。这里的“对称性”仅指候选的近似功能不变性，其成立范围受任务分布及具体训练解限制。 作者报告，在固定长度 copy task 中，部分已训练解的某些非正规 Schur 耦合可以移除且损失变化较小，但另一些耦合对准确的自主重放是必要的。在 flip-flop、sine generation 和 context-dependent integration 任务中，保持损失的消融模式随任务与训练解变化。摘要未提供具体损失数值、训练规模或统计结果，实验协议、消融及统计信息尚未验证；全文复现还需核对 Schur 块排序、耦合选择规则和行为保持的判定标准。 平台推测（待验证）：若 EEG 任务使用循环解码器，可假设这种诊断能够识别对任务输出不敏感的循环耦合，而非直接提升解码性能。可复用 Schur 分解与消融思路，但需针对 EEG 输出指标和信号时序改造评估。低信噪比、跨被试或通道变化可能使训练分布内的近似不变性失效，小数据也可能使诊断不稳定。一个可检验的小实验是在固定 EEG 划分上，对训练后的单层 tanh RNN 比较结构化消融与同尺度随机扰动，并检查独立测试集上的任务指标是否保持。已有 EEG 相关工作尚未检索确认。