可操控的等变表征学习
基于摘要分析。本文研究预训练图像表征中的增强不变性问题：不变性有助于稳健表征，却可能削弱需要感知相应变换的下游任务。作者提出学习 steerable（可操控）的等变表征，通过可学习线性映射直接操作嵌入空间，使表征随输入增强发生对应变化，而非消除这些变化的信息。 核心区别在于，不变表征追求变换前后嵌入保持一致，等变表征则保留可预测的变换关系。作者将这一机制用于迁移学习、鲁棒性与测试时增强；摘要未交代具体增强类型、训练监督、损失形式或线性映射的学习方式，这些实现条件尚未验证。 作者报告，在迁移学习的线性探测评估中，top-1 Accuracy 提升幅度原文表述为 1%–3%；在 ImageNet-C 上，Accuracy 提升最高为 3.4%。摘要未明确这些百分数是否表示百分点，也未提供各任务划分与具体对照，不能据此跨协议比较。作者还报告，利用表征可操控性进行测试时增强获得近 50 倍加速，并通过大量增强，在 ImageNet-C 的分布外检测中相较不变表征提高 OOD AUC；具体 AUC、运行条件及成本统计尚未验证。 平台推测（待验证）：其可迁移假设是，EEG 增强不应一律被视为需要消除的扰动；若某类变换具有明确、可控且与标签关系已知的含义，可尝试保留其等变信息。可复用的是嵌入空间线性变换思路，需要改造的是 EEG 编码器、增强定义和任务约束。低信噪比、跨被试差异、通道布局变化及小数据可能使变换关系难以稳定学习，也可能使等变表征保留无关干扰。一个可证伪的小实验是在固定数据划分与相同编码器下，比较针对同一可控增强的不变训练和等变训练，同时测量解码性能、表征变换一致性与推理耗时。已有 EEG 相关工作尚未检索确认；全文实验协议、消融及统计信息尚未验证。
阅读价值：值得核对其用可学习线性映射保留增强变换信息的机制，以及嵌入空间测试时增强的效率收益，但其对 EEG 的适用性尚未验证。