01RELAY / THE STATIC FOUNDATION
先让认知，
成为可靠的教师。
风险校准的人类神经轨迹蒸馏。训练时利用跨被试 EEG 关系结构；部署后只需要图像。
论文实测结果阅读原文
REPORTED IN THE REVISED MANUSCRIPTTABLE 1 / PDF p.5
Task-only 准确率62.75%
RELAY 准确率71.47%
配对增益+8.72pp
95% CI [7.38, 10.12]
独立绝对核风险0.300
×10⁻⁶ · Anchor 0.753 · 表 3
数据口径：400 道原始题、8 个规则族留一评测、10 个配对初始化种子。标准差按种子，区间按题目分层配对重采样；数值来自作者提供的修订稿。
展开全部基线与统计边界
| 方法 | 准确率 % | SD | NLL ↓ |
|---|---|---|---|
| ERM | 62.75 | 2.69 | 1.049 |
| Anchor-fixed | 63.00 | 3.60 | 1.049 |
| Anchor-selected | 63.38 | 4.21 | 1.035 |
| Raw-EEG | 64.50 | 4.02 | 1.008 |
| Static | 64.62 | 3.93 | 0.992 |
| Time-wise | 65.72 | 5.05 | 0.979 |
| Constant-rho | 66.55 | 3.28 | 0.952 |
| Full-space | 70.85 | 3.87 | 0.851 |
| RELAY | 71.47 | 3.18 | 0.827 |
对 Full-space 的行为增益为 0.62 pp，95% CI [−0.33, 1.57]，未排除零差异。6 被试/角色时，保守分布无关证书选择零转移；实际方法使用独立估计的 plug-in 权重。
01
先亲自做一道视觉推理题
概念可视化识别规则，补全序列
1
2
3
?4
请选择你的答案。此题为网站生成的教学示例。
ILLUSTRATIVE TRAJECTORY
四个学生状态，八个认知窗口
t1s1
t2s1
t3s2
t4s2
t5s3
t6s3
t7s4
t8s4
A13.0%
B10.0%
C66.0%
D11.0%
交互概率和轨迹是机制示意，不是模型逐题日志；真实结果见上方论文汇总。
02
从多人噪声中，提炼公共结构
可复现模拟CROSS-DONOR KERNEL
消除自乘噪声项
不同被试零均值、相互独立的噪声，其交叉项期望为零。有限样本仍可能波动，甚至出现负特征值。
B = (ΣX · ΣXᵀ − ΣXXᵀ) / S(S−1)03
时间分辨率不同，教师也要兼容
概念可视化8 → 4 单调路径
可学习误差与底噪分离
STUDENT-COMPATIBLE PROJECTION
可学习误差0.0109
时间近似底噪0.0051
路径风险分数0.0141
重复状态的整个块行与块列共同变化。不可表达的时间差异不能成为加强监督的理由。
04
不是全盘相信，而是按风险学习
概念可视化风险收缩实验
预期风险 R(ρ)
ρ
当前风险 0.244ρ* 0.669R* 0.244
何时应该退回 anchor？
假设：独立校准、无偏教师、教师误差与 anchor 误差正交。示例数值处于归一化概念单位。
05
对齐的，是联合轨迹几何
同一时刻相似，不等于变化过程相似
逐时刻 Gram 误差0.00000
联合 Gram 误差0.00000
一个公共等距变换可以改变原始坐标，却不改变联合关系。这不意味着识别了唯一的神经编码。
06
脑数据离场，推理继续
概念可视化EEG
图像
视觉学生
答案
教学代理的正确答案概率0.72
此处干预是概念代理，不是论文原始干预日志。真实部署只使用图像；等距结构对齐不意味着识别了唯一神经算法。
METHOD / AUTHOR-SUPPLIED FIGURE
一张图，看清完整链路。
从神经采集到视觉学生，从训练时蒸馏到推理时去除脑数据。
