Autoencoder 变体的潜空间表征

基于摘要分析。本文研究 convolutional autoencoders（CAEs）、denoising autoencoders（DAEs）和 variational autoencoders（VAEs）所学习潜空间的几何结构，以及这些结构如何随输入扰动变化。核心贡献是通过对应的矩阵流形刻画潜空间，为 CAE、DAE 与 VAE 的平滑性差异提供解释，而非提出新的状态空间模型或 BCI 解码算法。 方法上，作者分析潜空间对应的矩阵流形，并使用保距变换将流形上的点映射到 Hilbert 空间，从输入失真引起的子空间变化提供另一种观察视角。作者报告，CAE 和 DAE 的潜流形具有分层结构，每个层都是光滑乘积流形；VAE 的潜流形则是由两个对称正定矩阵和一个对称半正定矩阵构成的光滑乘积流形。摘要未说明这些矩阵的具体构造、所用距离、变换形式，以及结论成立所依赖的架构或分布假设，不能据此推广到所有 autoencoder 实现。 摘要未提供数据集、训练规模、扰动类型、定量指标或对照协议；实验协议、消融及统计信息尚未验证。复现前需核对全文中的流形定义、数学推导与实验验证如何对应，以及平滑性结论是在何种条件下成立。 平台推测（待验证）：若上述几何刻画可用于 EEG 表征，其潜在用途是分析输入噪声对潜空间稳定性的影响，而非直接保证解码性能。可复用的是矩阵流形及子空间分析思路；需改造的是 EEG 编码器、信号预处理与扰动定义。低信噪比、跨被试差异、通道变化及小样本训练可能使几何差异被估计误差或模型容量差异掩盖。一个可检验的小实验是在同一 EEG 数据划分与相近模型容量下训练 CAE、DAE、VAE，对留出样本施加受控噪声，比较潜空间几何变化及下游任务表现；该实验须以全文定义可复现为前提。已有 EEG 相关工作尚未检索确认。