EEG 基础模型中的预测结构分布于不同深度层

基于摘要分析。该研究探讨 EEG 基础模型作为冻结特征提取器时，中间层为何常优于最终层，并将解释拆分为读出方式、中间层对最终层的互补预测信息，以及深度结构的跨数据集迁移。作者认为，有用的预测结构分布在不同深度层，其价值取决于表征如何被读取和组合，而不能仅归因于最终层池化不佳或中间层单独表征更强。 方法上，研究在五个模型、三项任务上比较最终层读出的改进效果，并通过残差分析考察中间层是否保留最终层特征之外的预测信息。作者报告，改进最终层读出在各设置中均能恢复可观的预测性能，但中间层在多数设置中仍具有优势。部分中间层即使单独预测弱于最终层，也包含互补的预测变异；采用非线性跨层映射后，这一模式仍然存在。摘要未提供具体模型名称、任务、读出机制、残差构造或性能数值。 跨数据集方面，作者报告，在一个数据集上选出的层在另一数据集上仍有用，且由源数据集提取的一组紧凑任务方向在迁移后保留预测价值。该结果支持进一步研究层选择和任务方向的可迁移性，但摘要不足以判断迁移效果的大小、适用边界，或其与跨被试、跨会话泛化的关系。 复现时应重点核对：各模型与数据集的评估协议、读出器容量及训练条件、层选择与任务方向提取所用的数据划分，以及跨层映射和残差分析的具体实现。数据集、被试数、指标、基线、消融及统计信息尚未验证，代码与复现资源也尚未确认；目前不能据此推断所有 EEG 任务都应采用中间层或多层组合。