通过约束松弛改善等变模型训练

基于摘要分析。本文研究已知数据对称性条件下等变神经网络难以优化、训练依赖细致超参数调节的问题，提出在训练期间暂时放松中间层的严格等变约束，再逐步收紧约束以回到等变解的训练框架。 核心机制是在网络中间层引入额外的非等变项，并控制该项激活的幅度，使训练能够在包含近似等变网络的更大假设空间中进行优化。与始终施加严格等变约束的思路相比，该方法改变的是训练中的约束路径，目标仍是在训练结束时获得等变模型。非等变项的具体参数化方式、约束收紧日程，以及最终等变性的验证方式尚未验证。 作者报告，在不同的先进网络架构上，该框架能够得到泛化表现更好的等变模型。摘要未提供具体架构、任务、数据集、数据划分、对照基线或指标数值，因此尚不能判断收益大小与适用范围；实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但实现细节与复现条件尚未核验。 平台推测（待验证）：若某类 EEG 任务确实具有可明确建模的对称性，该约束松弛机制可能用于缓解等变模型的优化困难；原方法依赖已知数据对称性，摘要未说明其监督形式及数据规模要求。可复用的是非等变松弛项与逐步收紧的训练策略，需改造的是 EEG 输入上的群作用及相应等变层，不能直接将任意通道置换视为有效对称性。低信噪比、跨被试差异、通道布局变化及小数据可能使松弛项学习伪相关，或使预设对称性失效。一个可检验的小实验是在同一 EEG 任务、固定被试划分和等变架构下，对比严格等变训练与约束松弛训练，同时检查任务指标和训练结束时的等变误差。相关 EEG 工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。