SPD-MetaFormer：面向小数据脑信号解码的架构

基于摘要分析。本文研究带噪声、个体差异明显且标注有限的脑信号解码，重点检验 SPD 流形注意力中学习 token 权重的必要性，并提出无注意力架构 SPD-MetaFormer。作者报告，在所研究的短序列与有限数据条件下，该方法在三个 EEG 基准上达到或优于所比较的欧氏空间及流形基线。 机制分析：作者考察基于 log-Euclidean 几何的 MAtt 和基于 generalized Bures–Wasserstein 几何的 GBWAtt，发现训练后的注意力权重仍接近均匀分布，并将这一现象归因于有界相似度参数化与原始 softmax 缩放共同限制了权重对比度。作者报告，无论在整个训练过程中使用均匀权重，还是在已训练模型中直接替换权重而不进一步优化，平均预测表现均变化较小；替换时保留了各模型原有的聚合几何。这一对照用于区分学习权重与流形聚合本身的贡献，但不等于证明所有 SPD 注意力均无效。 模型设计：SPD-MetaFormer 使用 log-Euclidean 几何下的均匀加权 Fréchet 聚合，以测地线残差更新和谱前馈变换细化 summary token，同时保留 memory tokens 用于学习加权读出。因此，“无注意力”不意味着模型完全不学习聚合权重。token 状态在进入切空间分类之前保持为 SPD 矩阵。 证据边界与复现：摘要明确提及三个 EEG 基准，以及原始和均匀权重版本的 MAtt、GBWAtt 等对照，但未提供基准名称、被试数、任务类型、数据划分、指标或具体数值，不能据此认定跨被试、跨会话或跨数据集优势。实验协议、消融及统计信息尚未验证。复现时应核对协方差或连接性表示的构造、SPD 数值稳定性、softmax 缩放、均匀权重替换方式及学习加权读出的作用，并检查摘要结论是否仅适用于所研究的短序列和小数据条件；代码与实现细节尚未验证。