最大编码率缩减在分布外泛化中的局限

基于摘要分析。本文研究最大编码率缩减（MCR²）的分布外（OOD）泛化边界，核心贡献是构造反例，说明编码目标达到最优或接近最优，并不保证表征依赖稳定的预测特征；直接引入 IRM、REx 背后的不变性原则，也不足以排除此类失败。 MCR² 是一种信息论表征学习框架，用于学习具有类别判别性的子流形结构，并启发了可解释白盒架构。作者报告，即使存在完全稳定的特征，仅依赖不稳定环境特征的表征仍可达到全局编码最优，却在环境相关性反转后完全预测失败。该精确最优反例包含训练时不可能出现的测试输入。作者进一步报告，即使所有可能的测试输入在训练时也均有可能出现，编码质量仍可任意接近最优，同时预测错误率任意接近 100%；这是反例中的理论极限描述，不是具体数据集上的实测分数。 对于不变性约束，作者报告，失败表征可以在不同训练环境中共享同一个最优编码算子，因此“共享编码最优性”不等于稳定预测关系。该结论针对摘要所述的不变性引入方式，不宜扩展为所有 IRM、REx 方法均无效。作者认为，可靠的 MCR² OOD 保证需要额外假设或新的学习原则。具体证明条件、算子定义、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 跨被试或跨会话分类中，环境相关伪迹与标签形成不稳定关联，类似机制可能使高编码质量掩盖对伪迹的依赖。可检验的假设是：在保留任务相关信号的同时，为训练数据注入与类别相关的可控伪迹，并在测试时反转其关联，比较 MCR² 编码目标与分类错误的变化。可复用编码目标及表征评估方式，但需明确环境划分、伪迹生成与稳定信号定义；低信噪比、通道变化和小样本可能使真实稳定特征难以辨认。该实验仅检验机制是否可迁移，不构成 EEG 有效性证据；已有 EEG 相关工作尚未检索确认。