偏誤—變異權衡

將期望泛化誤差分解為平方偏誤（模型過於僵化而無法捕捉真實函數的誤差）、變異（對特定訓練樣本敏感所致的誤差）與不可約雜訊。簡單、強偏誤的模型（LDA、少量特徵）變異低，能從極小的校正集泛化；靈活的模型（深度網路、大量特徵）偏誤低但變異高，需要多得多的資料。

BCI 處於小樣本這一端：校正資料昂貴（數分鐘令人疲勞的任務）、訊號含雜訊且非平穩，因此變異項主導。這正是重偏誤、正則化的線性方法仍具競爭力的原因，也是本領域的努力多用於控制變異（收縮、交叉驗證、先驗）而非追逐更低偏誤的原因。