SeqCondenser：通过特征函数采样进行序列归纳式表征学习

基于摘要分析。本文研究如何将变长输入序列压缩为定长向量，提出神经网络层 SeqCondenser，并构建基于该层的架构 SCoMo，主要面向归纳式序列分类。摘要明确报告的实验结论来自文本分类，不能据此视为已验证的 EEG/BCI 方法。 核心机制是对输入各维度的经验特征函数及其导数进行采样，并通过注意力机制确定相应的概率分布。这里的特征函数指概率分布的 characteristic function，而非一般的特征提取函数。作者认为这些采样特征可以有效表征整个序列；其与时序顺序信息的关系、采样点如何选择以及注意力的具体实现，均需正文核对。 作者报告，在所考察的文本分类数据集中，SCoMo 在几乎所有数据集上优于当时最先进的归纳式方法，并在一个数据集上优于当时最佳的直推式方法。摘要未提供数据集名称、具体指标、划分方式、对照实现或数值，实验协议、消融及统计信息尚未验证；归纳式与直推式结果的可比条件也需核对。 平台推测（待验证）：若输入为多通道 EEG 时间点或窗口级特征，变长到定长的压缩机制可能用于处理记录长度不一致的问题。可复用候选是特征函数采样与注意力加权模块，需改造或核对通道表示、时间顺序编码及频率尺度。低信噪比可能干扰分布估计，跨被试分布差异、通道不一致及小样本下注意力过拟合也可能导致失效。一个可检验的小实验是在固定编码器和分类器条件下，用 SeqCondenser 替换均值池化，在同一 EEG 数据划分中分别评估被试内与跨被试表现，并测试截短序列及打乱时间顺序后的变化。已有 EEG 相关工作尚未检索确认。