Spherization Layer：仅使用角度的表征

基于摘要分析。本文研究以内积训练的神经网络表征在仅使用角度相似度进行下游处理时的信息损失问题，提出 spherization layer，将表征信息编码到角度中，使表征学习在超球面上进行。原研究对象是通用表征学习，摘要涉及图像分类、词类比与少样本学习，并非 EEG 或 BCI 验证。 其核心动机是：内积将信息分散在输入向量与权重向量的尺度和夹角中，因此下游仅使用角度相似度可能丢弃尺度承载的信息。所提层先将输入向量的预激活值映射到特定角度范围，再将角坐标转换为增加一个维度的笛卡尔坐标，并使用经过原点、无偏置参数的超平面学习决策边界。作者声称，相较其他投影式方法，该机制可使表征始终位于超球面且不损失信息，并可通过替换现有层应用于网络；这些保证的数学条件、角度映射细节及适用边界仍需正文核对。 作者报告，分别通过玩具任务验证功能正确性、通过常见图像分类任务检验信息保留能力，并在词类比与少样本学习中评估有效性。摘要未提供具体数据集、划分、基线、指标或提升幅度，实验协议、消融及统计信息尚未验证。材料提供了公开代码地址，但实现内容与复现条件尚未核对。 平台推测（待验证）：若 EEG 下游解码采用余弦相似度或角度度量，而前置编码器将判别信息同时编码在幅值和方向中，该层可能减少度量转换时的信息丢失。可复用部分是角度映射与超球面表征，需改造和验证的是 EEG 编码器接口及训练设置。其收益可能受低信噪比、跨被试幅值差异和小样本训练不稳定影响，保留全部信息也不等于只保留任务相关信息。一个可证伪的小实验是在固定 EEG 编码器、数据划分与训练预算下，对比原层、投影式归一化与 spherization layer，并分别在被试内和跨被试协议下评估相同指标。已有 EEG 相关工作尚未检索确认。