SO(3) 空间中的傅里叶分析：EquiLoPO Network

基于摘要分析。本文研究三维体数据的旋转等变建模，提出 EquiLoPO Network，在连续 SO(3) 群上实现对局部模式朝向的解析等变性，同时允许不受约束的可训练滤波器。主要研究对象是三维医学影像，而非 EEG 或 BCI。 机制上，作者以不可约表示作为傅里叶基构建群卷积，并设计 SO(3) 空间中的局部激活函数，使输入函数到输出函数的映射保持等变性，再将这些操作整合进 ResNet 风格架构。其针对的限制是：部分群卷积方法仅处理离散旋转，而可转向卷积方法对滤波器结构施加约束。这里的旋转等变性不等同于旋转不变性，重点是输入旋转时输出按相应规则变换。 作者报告，在 MedMNIST3D 的多种三维医学影像数据集上，该方法持续优于当时的最先进方法。摘要未提供具体任务、划分、评价指标、分数和基线配置，无法判断优势大小或进行协议一致的比较；实验协议、消融及统计信息尚未验证。摘要提供了公开代码链接，但代码可运行性、依赖及复现结果尚未验证。 平台推测（待验证）：若 EEG 被转换为具有明确三维空间坐标和旋转作用定义的源空间体数据，SO(3) 等变卷积及局部激活可能用于研究朝向变化的鲁棒性；这不意味着普通头皮 EEG 通道矩阵适合直接使用该模型。可复用候选是群卷积与等变激活，需改造数据表示、空间采样和输入输出接口。头部解剖具有固定方向，任意旋转可能不保持标签语义；低信噪比、跨被试配准误差、稀疏通道及小样本也可能削弱收益。可先在具有可控旋转和已知标签的合成源空间体数据上，与参数规模匹配的普通三维卷积及旋转增强基线比较，并检查旋转前后的等变误差。该实验只能检验机制，不能证明 BCI 有效性；已有 EEG 相关工作尚未检索确认。