Feature Accompaniment：仅用分布内数据学习具备分布外泛化能力的表征是否可行？

基于摘要分析。本文研究仅使用分布内数据能否学到具有分布外（OOD）泛化能力的表征，并提出名为 feature accompaniment 的泛化失败模式。作者结合分布偏移基准上的实证观察与结构化设定下的理论分析，将问题指向 SGD 训练的非线性神经网络的归纳偏置，而非仅归因于伪相关。 在实证部分，作者报告：即使采用允许模型在训练集上显式拟合良好表征的“oracle”表征学习目标，模型在多种分布偏移基准上的 OOD 表现仍不理想。摘要未给出具体基准、数据划分、对照方法及结果数值，因此尚不能判断这一现象在不同偏移类型下的程度与适用范围。 在理论部分，作者研究结构化设定下由随机梯度下降（SGD）训练的两层 ReLU 网络，并将所揭示的失败模式称为 feature accompaniment。作者认为，该模式源于非线性神经网络的归纳偏置，与通常强调的伪相关机制存在根本区别。摘要未展开其形式化定义、成立条件及证明细节，因而不能据此将结论扩展到所有网络或训练过程。作者的主要启示是：若不显式考虑这些归纳偏置，仅凭分布内数据学习 OOD 可泛化表征可能普遍面临困难，而非已经证明所有此类学习均不可行。 对 EEG/BCI，平台推测（待验证）：这一分析可能为理解跨被试或跨会话中“训练表征良好但泛化失败”的现象提供理论视角，但摘要不足以确定 feature accompaniment 与 EEG 数据结构的具体对应机制，暂不提出迁移实验。已有 EEG 相关工作尚未检索确认；完整实验协议、消融及统计信息尚未验证。