一种表征学习理论给出了核方法的深度推广

基于摘要分析。本文研究标准无限宽极限（NNGPs）消除表征学习的问题，提出 Bayesian representation learning limit，使模型在保留部分无限宽理论简洁性的同时，呈现与有限宽模型相似的表征学习，并据此构建核方法的深度推广 deep kernel machines（DKMs）。原研究对象是通用深度学习理论与核方法，并非 EEG 或 BCI。 核心机制：作者报告，在该极限下，Deep Gaussian processes（DGPs）具有精确的多元高斯后验，其后验协方差可通过优化一个可解释目标获得：对数似然项用于改善任务表现，一系列 KL 散度项约束后验接近先验。相较于标准 NNGP 极限，关键区别在于保留表征学习，而不只是采用固定核。作者还报告在宽但有限的 DGPs 中进行了实验验证，但摘要未提供数据集、划分、指标或定量结果。 计算与扩展：作者指出，朴素 DKMs 与多数朴素核方法一样，计算复杂度随数据点数量呈立方增长；借助 Gaussian process inducing point 方法构建的稀疏 DKM，则随数据点数量线性增长。该复杂度结论仍需结合诱导点规模和其他固定条件理解。摘要另称，附录将相关方法扩展至具有非高斯后验的神经网络。极限成立条件、具体优化流程、稀疏近似误差、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 DKMs 可用于 EEG 任务，其可学习的层级核与先验约束可能为小样本表征学习提供一种路径，但这只是迁移假设。需将 EEG 窗口或特征组织为核输入，并检验先验、核设计和诱导点选择是否适应通道差异与跨被试分布变化；低信噪比和小数据也可能使可学习核过拟合。一个可证伪的小实验是在固定的跨被试划分下，使用相同 EEG 特征比较固定核方法与稀疏 DKM，并仅在训练数据内选择超参数，检验可学习层级核是否稳定优于固定核。已有 EEG 相关工作尚未检索确认。