使用积分概率度量期望的连续敏感属性公平表征学习

基于摘要分析。该研究针对公平表征学习（FRL）主要面向类别型敏感属性、难以直接处理年龄或收入等连续敏感属性的问题，提出积分概率度量期望（Expectation of Integral Probability Metrics，EIPM），并据此构建 Fair Representation using EIPM with MMD（FREM）算法。其主要研究对象是通用算法公平性，而非 EEG 或 BCI 解码。 机制与理论：EIPM 用于衡量表征空间相对于连续敏感属性的公平程度。作者报告，当表征分布的 EIPM 较低时，在该表征上构建的任意预测头均可获得公平性保证，不依赖具体预测头的选择；这一结论所采用的公平性定义、适用函数范围、假设与误差界仍需核对正文。作者还提出有限样本估计器，并报告其能够准确估计 EIPM。FREM 将 EIPM 与 MMD 结合，但摘要未提供具体目标函数、估计流程或优化方式。 实验与证据边界：作者报告 FREM 优于其他基线，但摘要未列出数据集、任务、划分协议、基线名称、公平性指标或预测效用结果，因而目前无法判断改进幅度及公平性与任务性能之间的权衡。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务需要抑制表征中的年龄依赖，该机制可能提供连续属性公平性约束；这需要训练数据包含可靠的连续属性标注，并需改造表征编码器及相应估计流程。公平性不等同于跨被试泛化，年龄也可能承载与任务有关的有效信息；低信噪比、被试差异、通道变化和小样本均可能影响估计稳定性。一个可检验的假设是：在固定跨被试划分与相同 EEG 编码器下，加入 FREM 能降低表征对年龄的可预测性，同时维持任务性能；可与不加公平性约束的训练对照，但年龄可预测性仅是诊断指标，不能替代原论文的公平性定义。已有 EEG 相关工作尚未检索确认。