Multiset Transformer：推进持久性图的表示学习

基于摘要分析。本文研究持久性图（persistence diagrams）的表示学习，提出 Multiset Transformer，通过面向多重集的注意力机制保留重复元素的重数信息，并提供置换不变性的理论保证。其主要研究对象是拓扑数据表示，而非 EEG 解码或 BCI。 核心机制是将多重集增强注意力与 pool-decomposition 方案结合，使重数信息能够在等变层之间保留。这里需要区分中间表示的置换等变性与整体输出的置换不变性；具体实现及理论成立条件尚未验证。作者声称这是首个专门面向多重集输入设计注意力机制、并提供严格置换不变性保证的神经网络，该优先性主张尚未独立核验。 作者报告，相较 Set Transformer，该方法能够利用重数信息，同时降低计算与空间复杂度，并可借助聚类预处理进一步降低复杂度；摘要还报告其在持久性图表示学习实验中优于现有神经网络方法。但摘要未提供数据集、任务、划分、指标、复杂度表达式或具体数值，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 分析流程已将信号转换为持久性图，该方法可能作为图级表示模块复用，而不是直接替代原始时序编码器。需改造或明确的是 EEG 到持久性图的构建流程，以及重数在该流程中的含义；低信噪比、通道配置变化和小样本可能使拓扑特征不稳定，聚类也可能合并有判别价值的细节。一个可证伪的小实验是固定持久性图提取与被试划分，以相同下游任务比较 Multiset Transformer 和 Set Transformer，并核对聚类前后的任务指标、运行时间及峰值内存。此类迁移尚无所给材料中的直接证据，已有 EEG 相关工作尚未检索确认。