大规模可解释核表征学习：利用 Nyström 近似的统一框架

基于摘要分析。本文研究核表征学习的计算与内存扩展瓶颈，提出利用 Nyström 近似的统一框架 KREPES，以支持多种无监督与自监督损失，并分析所学表征的可解释性。原论文主要面向图像与表格数据，并非 EEG 或 BCI 研究。 机制与贡献：Nyström 近似是框架实现可扩展核表征学习的核心。作者将其定位为超出核回归任务的统一表征学习方案，并强调核方法的理论分析基础。摘要未列出具体核函数、近似点选择方式、损失形式、优化过程或推理开销，这些实现条件尚未验证。 证据边界：作者报告，在大型图像和表格数据集上的实验显示了框架的效率，并通过专门分析支持所学表征的可解释性。摘要未提供数据集名称、规模、划分、对照方法或定量结果，因此不能据此认定其优于深度模型，也无法判断解释性的定义、稳定性及适用范围。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 样本间的核相似度能保留任务相关结构，Nyström 近似可能降低大样本核表征学习的计算负担；可复用的是核近似与表征学习框架，需改造的是 EEG 输入表示、核函数及自监督任务。其效果依赖样本相似度结构、近似点覆盖和训练数据规模；低信噪比、跨被试差异、通道变化或小数据可能使核相似度主要反映噪声与个体差异。可在固定通道及相同数据划分下，对比完整核方法与不同近似规模的 KREPES，联合检查下游任务指标、内存和运行时间，并在跨被试协议中检验稳定性。相关 EEG 工作尚未检索确认。