具有自适应锚点的 Function-Space Transformer

基于摘要分析。该研究面向定义于连续域、但通过离散采样观测的函数数据，提出 Function-Space Transformer（FST），以空间自适应的连续潜在表示处理物理场、几何形状和视觉信号。核心贡献是让表示的空间组织随输入调整，而非沿用观测网格，在局部变化的分辨能力与计算开销之间探索不同于固定均匀网格的方案。 机制上，FST 根据输入观测预测锚点位置，在锚点处存储特征，并通过函数空间交互递归细化锚点特征；框架支持空间分辨输出和有限维输出。摘要未给出锚点预测方式、连续表示的具体构造、交互算子、损失函数或训练配置，这些实现细节尚未验证。 作者报告，在 PDEBench 的 Burgers 与 Darcy flow 的 PDE 解预测任务中，FST 显著优于潜在表示缺乏显式空间组织的 Perceiver IO，并与 Fourier Neural Operator 具有较强竞争力；在 ImageNet-1K 分类任务中，准确率高于 Vision Transformer，且上述比较中的参数量更少。摘要没有提供具体分数、参数量、数据划分及计算预算，不能据此量化优势或判断比较条件是否一致。作者报告消融支持函数空间更新与递归细化的收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 视为由有限电极采样的时空函数，自适应锚点可能用于探索不均匀采样下的表示学习。可复用的候选模块是锚点特征与递归交互，但需改造坐标表达、时间建模及缺失通道处理；该假设依赖可靠的电极位置与足够训练数据，低信噪比、跨被试差异和小数据可能使锚点追随噪声而非稳定结构。一个可检验的小实验是在固定 Cross-subject 划分及匹配参数预算下，对比自适应锚点与固定锚点，并评估通道删减后的性能变化。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。