超越群作用的商空间：利用局部几何学习可变等价关系

基于摘要分析。本文研究如何在不预定义群变换的条件下学习等价类，以消除同一输入不同实现形式之间的冗余。核心贡献是从观测结果直接学习商映射，为等价实现赋予共享坐标，并在连续域中建立局部商几何。 传统群方法由共享群作用同时规定等价类及其商几何，因此等价关系受限于该群作用所能生成的变化。本文试图容纳随任务、上下文和具体实现而变化，乃至非几何性的等价关系。对于连续域，学习到的商映射将等价类表示为光滑水平集，再通过映射的微分与黎曼度量确定切空间和正交分解。作者将该几何结构与 flow matching 结合，用于在固定等价类内生成偏好的实现形式，以及定义跨变化等价类的一致运动。 作者报告，图像与语言领域的实验显示该商映射能够捕获等价关系，关节系统实验则展示了所学商几何上的生成与动力学。摘要未提供具体数据集、等价关系的监督形式、模型结构、损失函数、指标或对照结果；实验协议、消融及统计信息尚未验证，尚不能判断相对群方法的收益大小与适用边界。 平台推测（待验证）：若 EEG 中某些信号变化在明确任务结果下可视为等价，而这些变化难以由统一群作用描述，则可假设商映射用于分离任务相关坐标与冗余变化。可复用的是等价坐标学习及局部几何框架，需改造信号编码、等价关系监督与度量设计；其数据规模需求尚未验证。低信噪比、跨被试差异、通道变化和小数据可能导致错误合并可区分状态，或使局部几何估计不稳定。可先在固定 EEG 任务中，仅用训练集构造候选等价关系，对照相同编码器的任务性能与等价类一致性，检验能否减少冗余而不损害任务区分。已有相关 EEG 工作尚未检索确认。