Kinematic space 中的概率词嵌入

基于摘要分析。本文研究词汇层级的概率表示学习，在称为 Kinematic space 的几何空间中构造兼容梯度学习的类高斯分布，以密度表示替代单点向量表示，使表征能够显式表达不确定性。主要研究对象是词嵌入与词汇层级，而非神经信号或 BCI。 机制上，作者探索一种伪黎曼的辅助 Lorentzian 空间，并提出在其中构造类高斯分布的原则性方法。研究动机是探索不同于常见欧氏及双曲空间的表示几何，同时兼顾梯度学习的可计算性。摘要未给出分布公式、参数化、损失函数、优化算法或计算开销，因此其具体实现与复现条件尚未验证；不能仅凭 Lorentzian 的名称将该空间等同于常规双曲嵌入使用的 Lorentz 模型。 作者在 WordNet-Noun 层级嵌入任务上，与欧氏空间及双曲空间中的概率词嵌入框架进行比较。作者报告 Mean Rank 和 Mean Average Precision（MAP）均有持续改善；相对双曲版本，MAP 的平均改善为 72.68%，Rank 的平均改善为 82.60%。这些数字仅适用于摘要所述的词汇层级评估，改善计算方式、绝对指标、数据划分、对照配置、消融及统计信息尚未验证，不能解释为百分点提升或推广至其他任务。 平台推测（待验证）：若 EEG 任务具有明确的类别层级，其密度表示与非欧氏几何机制可能用于研究层级表征及不确定性建模，但这一假设依赖可靠的层级监督。可复用的候选模块是概率嵌入层，需另行设计 EEG 编码器与任务目标；低信噪比、跨被试变化及小样本可能使分布参数难以稳定估计。一个可检验的小实验是在具有明确类别层级的 EEG 数据上固定编码器和划分，仅比较欧氏、双曲与 Kinematic space 概率嵌入的层级检索指标及不确定性校准。已有 EEG 相关工作尚未检索确认。