饱和规律：重新思考 EEG 学习中的概念对齐监督

基于摘要分析。本文研究 EEG 情绪识别中概念对齐监督何时仍能改善预测，以及概念对齐趋于饱和后还有哪些信息可利用；提出 Saturation Regularity、残差诊断框架 ResDiag，并据此构建集成学习框架 SatEnsemble。 概念对齐监督旨在使模型表征显式编码任务相关知识。作者报告，在 FACED 的不同训练配置及 CIFAR-10 的不同训练阶段，进一步概念监督可以增强对齐，却未带来可检测的预测收益，甚至降低 Accuracy。这一结果区分了“概念与任务相关”与“继续监督该概念有益”，但摘要未给出概念的具体定义、对齐度量或饱和判定标准。作者还报告，随机目标对照表明辅助损失的收益不一定依赖目标的语义内容；这不等于所有概念监督都无效，其适用范围仍需结合具体训练设置核查。 ResDiag 结合表征分解、方向消融和集成贡献分析，考察类别均值对齐之外的预测信息。作者报告，类内与概念相关的残差仍保留预测信息，其编码强度与集成贡献存在关联；该关联不能仅凭摘要解释为因果关系。SatEnsemble 先以改进的训练方案增强单个模型，再平均不同检查点的预测以利用互补信息，具体训练配方、检查点选择和平均规则尚未验证。 作者报告，SatEnsemble 在 FACED 上优于领先 EEG 方法，并声称达到新的 SOTA；摘要未提供数值、对照方法清单及被试内或跨被试等评估协议，因此不能判断提升幅度、统计可靠性或跨协议可比性。复现需核对概念构建与监督方式、随机目标对照设置、残差分解和方向消融实现，以及单模型训练改进与检查点集成各自的贡献。实验协议、消融及统计信息尚未验证，代码可用性亦未由所给材料确认。