HarmCap：面向检索条件化表格预测的状态感知后果控制

基于摘要分析。本文研究检索条件化表格模型在推理时利用邻近样本或上下文示例更新预测后，如何限制单次更新对个体预测造成的恶化。作者提出 HarmCap，将检索后的输出视为候选更新，通过查询特定的步长控制，在预设交叉熵恶化预算内尽可能保留该更新。 核心机制是在已实现的 logit 空间更新方向上选择最大可接受步长，使所有可能标签中最坏的交叉熵增量不超过预算。该约束针对更新后果，而非仅依据检索质量。摘要指出，可接受步长依赖完整预测状态，因此单一标量置信度不足以实现精确的多分类控制。这一保证只约束相对于原预测的损失增量，不等同于保证预测正确或提高整体准确率。 作者报告，在公共表格基准及多个检索条件化接口上，HarmCap 满足预设的逐样本约束，并比不考虑预测状态的精确安全包络保留更多候选更新。作者还报告，按原工作协议对齐的 TabR 实验先复现其预测行为，再对同一检查点下匹配的检索更新应用 HarmCap。实验表明，更新是否满足约束与更新是否改善预测效用是不同目标。摘要未提供具体数据集、划分、预算、性能数值或计算开销；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 分类系统已有检索前后、标签空间一致的多分类 logit 输出，可假设这一控制器能作为跨被试检索更新的风险约束模块，而非新的 EEG 表征方法。可复用的是更新方向上的步长选择；需适配检索接口、预算及 logit 尺度。低信噪比、被试或通道差异可能使原预测与检索提议均不可靠，过严预算也可能阻碍有效纠正。一个小规模检验是固定分类器检查点与跨被试划分，对比原预测、完整检索更新和受控更新，分别核对逐样本损失增量、保留步长及 Accuracy，而不把满足约束当作准确率提升。已有 EEG 相关工作尚未检索确认。