SIMformer：单层标准 Transformer 可学习自由空间轨迹相似度

基于摘要分析。该研究面向自由空间轨迹相似度计算，以学习到的向量相似度近似 DTW、Hausdorff 和 Frechet 等轨迹度量，旨在降低这些计算通常带来的二次时间复杂度。SIMformer 使用单层标准 Transformer 编码器提取特征，并为不同目标度量定制表征相似度函数。 原问题与机制：轨迹编码方法先将轨迹映射为向量，再以向量间的相似度近似原始轨迹度量。作者认为，现有方法采用欧氏距离时会受到维度灾难影响，降低表征的可区分性；三元组训练及额外信息需求也可能增加训练成本。此外，作者强调应同时考察数据集规模增长时的检索效果，而非仅关注计算效率。SIMformer 的核心设计是简化编码器并调整表征相似度函数，但摘要未提供这些函数的数学形式、损失函数、监督标签构建或具体训练流程，不能推断其如何替代三元组训练。 结果与证据边界：作者报告，实验中该方法缓解了维度灾难，并在效果、效率和可扩展性方面优于已有先进方法。摘要未给出数据集、数据划分、对照方法、指标或具体数值；实验协议、消融及统计信息尚未验证。来源分类为 State space models，但摘要明确描述的是 Transformer 编码器，不应据此改写为状态空间模型研究。 平台推测（待验证）：假设 EEG 片段检索中的向量距离也存在可区分性不足，针对目标相似度设计比较函数可能具有借鉴价值，但原研究处理的是空间轨迹，而非神经信号。可复用的是“编码器与目标度量匹配”的思路；需改造的是多通道 EEG 的输入表示，以及具有任务意义的相似度监督。低信噪比、通道配置差异、跨被试变异和小数据条件可能使模型学习到噪声或被试特征，而非目标相似性。一个可证伪的小实验是：在固定 EEG 数据划分、编码器和训练预算下，对照欧氏距离与定制相似度函数，并核对检索效果是否随候选库规模增长而保持。该实验仅检验迁移假设，不代表已有 EEG 结果；相关 EEG 工作尚未检索确认。