面向多分辨率模型合并的权重空间图信号处理

基于摘要分析。该研究针对多任务模型合并中参数更新相互冲突、产生破坏性干扰的问题，提出 Spectral Graph Merging（SGM），利用权重空间的图信号处理进行多分辨率合并；其主要研究对象是模型参数合并，而非 EEG 或 BCI。 核心机制是将权重矩阵视为神经元交互的二部图，利用图小波变换分解任务向量。作者将低频成分解释为共享的全局结构，将较高频成分与任务特定冲突联系起来；SGM 聚合低频成分，同时降低高频成分中的干扰。相较于在欧氏参数空间中直接处理更新的方法，其切入点是利用权重图上的谱结构区分不同尺度的参数信息。图构建方式、频率划分、干扰抑制规则及额外计算开销尚未验证。 作者报告，在 MergeBench 和 OptMerge 的评估中，SGM 优于所比较的先进合并方法，并在高度冲突的任务组合下保持稳健的推理与安全表现。摘要未提供具体分数、模型规模、任务组合、对照配置或安全评估定义，因此不能量化优势；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若多个 EEG 任务模型来自同一初始化且参数可对齐，可检验这一机制能否缓解跨被试或跨会话模型合并的冲突。可复用图小波分解与分频合并思路，但需核对 EEG 网络权重图的构造及谱成分含义；低信噪比、小样本、通道差异或参数未对齐，均可能使高频成分并不代表任务冲突。一个小规模检验是在统一通道与架构下，对同一初始化得到的被试模型比较 SGM、简单参数平均及不合并模型，使用固定留出划分评估，并核对被抑制成分是否对应性能退化。已有 EEG 相关工作尚未检索确认。