多行为推荐中辅助证据的零空间校准

基于摘要分析。本文研究多行为推荐中如何利用辅助交互改善目标交互预测，提出 Target-referenced Null-space Calibration（TNC）插件模块：不将辅助信息与目标的关联强度直接等同于排序价值，而是保留目标关联成分与潜在互补成分，并分别学习校准增益。原论文的主要研究对象是推荐系统，而非 EEG 或 BCI。 机制上，TNC 利用配对辅助表征与目标表征的交叉协方差，通过截断奇异值分解构造目标关联子空间，再对该子空间及其零空间成分分别校准。模块置于行为编码与融合之间，在目标排序监督下与兼容编码器联合训练。摘要中的性质有明确条件：固定表征、参考及目标关联增益时，调整零空间增益不会改变指定的目标关联投影；这不等于证明零空间信息与目标统计独立，也不保证其中的信息一定具有互补价值。 作者报告，在三个真实世界数据集上，接入 TNC 可改善多个多行为推荐骨干的排序表现。摘要未给出数据集名称、划分协议、基线、指标及提升幅度，因而无法判断收益大小或跨设置稳定性。截断秩选择、增益参数化、协方差估计、实验协议、消融及统计信息尚未验证。作者称提供匿名实现仓库，但所给材料未包含可核对的仓库地址。 平台推测（待验证）：其可迁移机制是对配对表征中的目标关联与剩余成分分别校准，而非直接复用推荐模型。若 EEG 任务具备同一样本的目标与辅助特征视图，可考虑复用子空间分解模块，并将排序监督替换为解码任务监督。该假设依赖可靠的配对关系和足够稳定的协方差估计；低信噪比、小样本、跨被试及通道变化均可能使子空间不稳定。一个可证伪的小实验是在固定跨被试划分与编码器条件下，仅用训练集估计子空间，对比直接融合、仅目标关联成分及双增益校准，检验辅助成分是否带来稳定收益。已有 EEG 相关工作尚未检索确认。