通过约束松弛改进等变模型训练

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的优化困难，提出在训练期间暂时放松中间层的硬等变约束，再逐步收紧约束，使模型最终回到等变解的训练框架。主要贡献是改变等变模型的优化路径，而非提出 EEG 或 BCI 专用模型。 机制上，作者在网络中间层引入额外的非等变项，并控制该松弛项的激活幅度，使训练能够在包含近似等变网络的更大假设空间内进行，随后逐步约束该项以恢复等变性。摘要未给出松弛项的具体参数化方式、约束调度、损失形式或最终等变性的检验方法，这些实现条件尚未验证。 作者报告，在不同的先进网络架构上，该训练框架能够改善等变模型的泛化表现；摘要未提供任务、数据集、划分协议、对照配置或量化指标，因此无法判断收益大小及适用边界。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务存在可明确建模且保持标签语义的对称变换，这种约束松弛机制可能缓解硬等变模型的训练困难。可复用的是松弛项及其逐步收紧的训练思路；需要重新设计的是与电极布局、信号表示和任务语义相符的变换及等变层。任意通道置换或空间变换未必保持 EEG 的生理意义，低信噪比、跨被试差异和小数据还可能使额外自由度拟合噪声。一个可证伪的小实验是在固定数据划分和同一等变骨干下，比较硬约束训练与渐进松弛训练，同时检查任务性能及最终等变误差。已有 EEG 相关工作尚未检索确认。