Semi-Ensemble：通过过参数化实现模型插值的简单方法

基于摘要分析。本文研究两个模型之间的插值，提出 Semi-Ensemble 统一框架，通过不同程度的过参数化连接模型合并与模型集成，使二者成为框架的特殊情形。主要贡献是将插值从原始参数空间转移到更高维的联合参数空间，以调节模型参数量与准确率之间的权衡。 机制上，两个端点模型先被表示为过参数化版本；这些表示投影到由部分基向量张成的低维子空间时，可恢复对应端点模型。作者通过构造联合参数空间实现插值，而非直接对原始模型参数插值。摘要未提供具体构造公式、模型间兼容条件、训练或推理流程，不能据此判断该方法是否需要额外训练。 作者报告，该方法能实现参数总量与模型准确率之间的平滑权衡，并优于已有基线；在部分情形下，Semi-Ensemble 甚至以略少的参数取得比常规集成更好的表现。摘要未给出数据集、模型架构、基线名称、数值结果及比较协议，实验协议、消融及统计信息尚未验证。复现需进一步核对端点模型的来源与兼容要求、过参数化及插值实现，以及参数量统计和推理成本。 平台推测（待验证）：若两个 EEG 解码模型能满足该方法的参数空间兼容条件，这一机制可能用于探索模型合并与集成之间的资源—性能折中，而非直接解决 EEG 的低信噪比或跨被试偏移。可复用部分是联合参数空间及插值机制；需适配的是 EEG 模型结构、端点训练方式和评估协议。假设端点误差具有互补性且插值不破坏有效表征，该方法可能保留部分集成收益；小数据过拟合、被试差异、通道不一致或端点误差高度相关均可能使该假设失败。可在固定通道配置与同一被试内数据划分下，比较两个端点、直接参数插值、常规集成及 Semi-Ensemble 的 Accuracy、参数量与推理延迟，检验其折中是否成立。已有 EEG 相关工作尚未检索确认。