睡眠：深度主动推断中的模型约简

基于摘要分析。本文研究实现主动推断框架的神经网络如何进行模型约简，提出先以高维潜在空间初始化网络、再逐步裁剪潜在维度的方法。作者报告，在摘要所述实验中，降低潜在空间维度可减少复杂度，而不增加自由能；具体任务、评估协议与量化结果尚未验证。 研究动机来自主动推断对睡眠的解释：在缺少感觉信息时，通过降低复杂度与自由能实现模型调整。论文的主要贡献是面向人工神经网络的潜在空间约简方法，而不是睡眠 EEG 分析或 BCI 解码。摘要描述的裁剪对象是潜在维度，不能据此等同于权重剪枝，也不能推断其已降低实际计算开销。自由能的具体定义、复杂度项与整体目标的关系、维度选择准则、裁剪时机及后续优化流程均尚未验证。 平台推测（待验证）：若 EEG 生成式模型采用可裁剪的潜在表示及主动推断目标，这一机制可能用于检验冗余潜在维度是否增加模型复杂度。可复用的是“高维初始化—维度裁剪”的思路；需适配 EEG 观测模型，并核对其监督方式、数据结构与训练规模要求。低信噪比、跨被试差异、通道变化及小数据条件下，裁剪可能误删承载弱任务信号的维度。一个可检验的小实验是在固定 EEG 任务与被试划分下，对照高维模型、直接训练的低维模型和裁剪模型，同时评估自由能、复杂度及任务指标，检验目标函数保持是否伴随解码性能保持。这是迁移假设，并非本文已验证结果；已有 EEG 相关工作尚未检索确认。 全文未取得，实验协议、消融及统计信息尚未验证；复现前需核对模型实现、裁剪规则、数据与对照设置。