Radial-VCReg：通过径向 Gaussianization 学习信息更丰富的表征

基于摘要分析。本文研究通用自监督表征学习中的信息保留问题：显式最大化信息受到维度灾难制约，而 VCReg 对一阶、二阶特征统计量的正则化不足以充分实现最大熵目标。作者提出 Radial-VCReg，在 VCReg 上加入径向 Gaussianization 损失，使特征范数与 Chi 分布对齐，以进一步约束表征分布。 核心机制是从特征的径向分布入手，补充低阶统计约束未充分覆盖的分布信息。摘要将范数服从 Chi 分布描述为高维高斯分布的一项特征；但不能仅凭范数匹配就认定完整特征分布已成为高斯分布，仍需核对其协方差条件、方向分布及理论假设。具体损失形式、目标分布参数和训练实现尚未验证。 作者报告，理论上 Radial-VCReg 相比 VCReg 能推动更广泛的一类分布趋向正态；在合成与真实世界数据集上，作者报告其通过减少高阶依赖、促进表征多样性与信息量而持续改善性能。摘要未给出数据集名称、任务、评估指标、提升幅度或划分协议，不能据此判断收益规模及适用边界。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 自监督表征中的高阶依赖确实限制下游解码，径向分布约束可能成为可复用的正则化模块。该假设依赖足够稳定的特征范数估计；需重新评估 EEG 编码器输出、特征尺度及正则化权重，不能直接套用未明确的数据结构或监督设置。低信噪比、通道差异、跨被试幅值变化与小样本可能使范数反映噪声或个体差异，强制匹配也可能损害任务信息。一个可证伪的小实验是在同一 EEG 数据、相同编码器和预先固定的跨被试划分下，仅比较 VCReg 与增加径向项后的方案，同时检查下游解码指标和特征范数分布；分布更接近目标不应被直接视为解码有效性的证据。已有 EEG 相关工作尚未检索确认。