最适表征的生存：以模加法为例

基于摘要分析。本文研究神经网络在可用多种算法解决同一任务时，训练过程如何选择最终表征与算法。作者以模加法为案例，提出“Survival of the Fittest”假说：初始化时存在多种候选表征与算法，它们在资源约束下相互竞争，最终仅部分存续。 核心分析对象是模加法网络中对应不同 Fourier 频率的多个圆形表征。作者报告，这些表征在训练中呈现竞争动态，最终仅少数频率存续；初始信号与梯度较强的频率更可能存续，增加嵌入维度则会使更多频率存续。受描述物种相互作用的 Lotka–Volterra 方程启发，作者进一步报告，一组线性微分方程能够较好地刻画这些圆形表征的动态。这里的贡献是将复杂表征拆解为较简单的分量及其相互作用，而非提出面向 EEG 的解码方法。 摘要未提供网络结构、训练目标、资源约束的具体实现、数据划分、重复实验或拟合误差，实验协议、消融及统计信息尚未验证。因此，尚不能判断初始信号与梯度对表征存续的预测能力有多稳定，也不能将模加法中的 Fourier 圆形表征直接等同于 EEG 的生理频带。 平台推测（待验证）：若 EEG 解码网络中也能识别可追踪的表征分量，可借鉴其“分量分解—训练轨迹跟踪—动力学拟合”的分析框架，研究低信噪比下任务相关与干扰表征的竞争。该假设依赖可比较的分量定义，不能直接复用模加法的圆形表征；跨被试差异、通道变化和小数据可能使分量难以对齐。一个可证伪的小实验是在固定 EEG 任务与数据划分下，跨随机种子检验早期分量信号及梯度能否预测训练末期的分量保留情况，并与简单预测基线比较。已有 EEG 相关工作尚未检索确认。