单步特征学习中的总体起始与有限批次分辨能力

基于摘要分析。本文研究带尖峰结构的 Gaussian 输入下，两层网络单步特征学习中总体梯度与有限样本经验梯度的差距：总体梯度即使指向任务相关方向，经验梯度也未必能可靠辨识该方向。核心贡献是区分控制总体任务方向放大的尺度与控制有限批次恢复能力的尺度。 作者引入两个经目标加权的协方差量：总体放大量 A 决定任务方向重叠达到常数量级所需的学习率尺度；H/A² 则给出利用独立批次在经验层面恢复这一移动的充分批次规模。两者可以独立变化，因此输入各向异性能够放大特征移动，却不必然降低有限数据估计该移动的难度。摘要明确，该恢复尺度是充分条件，而非必要条件。 在更受限的光滑激活函数类别及显式三角阵列条件下，作者推导临界批次尺度上的联合随机分布律，以区分一致的任务对齐与总体表征移动。对于秩一尖峰，精确的对齐—各向异性映射刻画总体放大、有限批次困难及临界分布律出现的区域；总体与临界结果还扩展至固定秩尖峰。作者报告，直接起始、析因及覆盖不同几何条件的实验支持预测的归一化关系，同时呈现有限维偏差。具体激活函数、条件、实验规模、对照及统计信息尚未验证；结论仅涉及单步表征动力学，不涉及下游风险。 平台推测（待验证）：其机制可能为理解 EEG 中强协方差方向为何带来明显表征变化、却未提升任务信息估计稳定性提供理论参照；原理论依赖尖峰 Gaussian 输入和单步更新，不能直接视为 EEG 证据。可复用协方差尺度与任务对齐分析，但需改造输入假设，并处理低信噪比、通道相关性、跨被试变化及小样本协方差估计误差。一个可证伪的小实验是在带已知任务方向的 EEG 风格合成数据上独立改变各向异性与批次规模，检验总体任务对齐增强是否仍伴随经验梯度不稳定。已有 EEG 相关工作尚未检索确认。