以隐式神经表示自身对其进行正则化

基于摘要分析。本文研究隐式神经表示（Implicit Neural Representation，INR）在信号表示中的泛化问题，尤其关注非均匀采样情形，并提出 Implicit Neural Representation Regularizer（INRR），将信号自相似性与拉普拉斯矩阵平滑性结合为正则化约束。 核心机制是学习用于度量信号矩阵行、列相似性的 Dirichlet Energy（DE），并用一个小型 INR 对 DE 进行参数化，以进一步融入拉普拉斯矩阵的平滑性。其研究对象是通用信号表示，而非 EEG 或 BCI；摘要未给出 DE 的具体参数化公式、正则项权重及优化细节，尚不能据此还原完整训练过程。 作者报告，数值实验显示 INRR 能改善 INR 的信号表示泛化，并呈现类似动量方法的收敛轨迹及多尺度相似性等性质；作者还报告该正则化方法可提升其他信号表示方法的表现。摘要未提供具体数据集、采样划分、对照基线或量化结果，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将多通道 EEG 组织为通道×时间矩阵，其行列关联可能为该正则化机制提供接口，用于考察非均匀采样或缺失信号的重建。可复用的是可学习相似性与平滑性约束，需改造的是信号坐标编码及通道关系建模。该假设依赖足够可靠的观测信号；低信噪比、小数据、跨被试差异及通道布局变化都可能使相似性估计失真，平滑约束也可能削弱瞬态 ERP 或高频成分。一个可检验的小实验是在同一被试的固定数据划分下，比较相同 INR 加入与不加入 INRR 时对预留非均匀采样点的重建误差，并核对波形与频谱保真度；这不等同于验证 BCI 解码收益。已有 EEG 相关工作尚未检索确认。