通过元学习学习模型无关的符号损失函数

基于摘要分析。本文研究如何自动学习用于监督学习的损失函数，提出混合神经符号搜索的元学习框架，以获得可用于不同模型的符号损失函数；主要研究对象是通用监督学习，而非 EEG 或 BCI。 框架分为两个阶段：首先通过基于演化的方法，在基本数学运算构成的空间中搜索一组符号损失函数；随后对这些损失函数进行参数化，并通过端到端、基于梯度的训练过程优化参数。其方法特点是结合离散的符号形式搜索与连续参数优化，而不仅是调整固定损失函数的参数。摘要未提供运算集合、参数化方式、元学习目标及具体训练流程，这些细节尚未验证。 作者报告，在多种监督学习任务、神经网络架构和数据集上，所学损失优于交叉熵及当时先进的损失函数学习方法。摘要未列出具体任务、数据集、指标、数值或数据划分，因此不能据此量化提升，也不能确认“模型无关”对应何种跨模型评估条件。实验协议、消融及统计信息尚未验证。摘要中的代码地址被替换为“retracted”，无法确认代码可用性，也不能由此推断论文已撤稿。 平台推测（待验证）：可检验的迁移假设是，将这一损失搜索机制用于 EEG 分类，以探索比固定交叉熵更合适的训练目标。原方法依赖监督任务及可训练模型，搜索成本与监督数据需求尚不明确；符号搜索和参数优化流程可能复用，但输入输出约定、搜索适应度及元训练/验证划分需针对 EEG 改造。低信噪比、跨被试差异和小样本可能使搜索过拟合验证集。一个小规模检验是在固定 EEG 分类器和严格分离的训练、验证、测试数据上，对比所学损失与交叉熵，并分别报告被试内及跨被试结果；测试被试不得参与损失搜索。已有 EEG 相关工作尚未检索确认。