Riesz 特征表示：面向分类任务的尺度等变散射网络

基于摘要分析。该研究针对图像散射网络依赖尺度维度采样、难以泛化到训练未见尺度的问题，提出基于 Riesz transform 的替代特征表示，并分析其数学基础。核心贡献是继承 Riesz transform 的尺度等变性，同时完全避免对尺度维度进行采样。 机制与结果：尺度等变性描述输入缩放时特征按相应规律变化，不应直接等同于分类结果的尺度不变性。作者报告，相较散射网络，该表示的特征数量减少为原来的四分之一，纹理分类表现相当，并在训练数据未覆盖的尺度上表现更优。在数字分类任务中，作者报告，即使测试尺度达到训练所选尺度的四倍，Accuracy 仍保持稳定。摘要未给出具体数据集、Accuracy 数值、尺度变换与数据划分细节；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：原研究对象是数字与纹理图像，而非 EEG 或 BCI。若将 EEG 时频图作为二维输入，Riesz 特征构造可能用于检验对时频尺度变化的稳健性；可复用的是特征变换，需改造的是时频表示、尺度变换定义及分类接口。此假设依赖尺度变化仍保留任务标签，但 EEG 中频率或时间尺度变化可能改变生理含义，低信噪比、跨被试差异与通道布局也可能使图像尺度等变性失效。一个可证伪的小实验是在固定被试内划分下，使用原始训练尺度，比较 Riesz 表示与散射网络在原始及未见尺度时频图上的 Accuracy，同时核查变换是否保留标签语义。相关 EEG 工作尚未检索确认。