Shadow Cones：揭示双曲空间中的偏序

基于摘要分析。本文研究如何在双曲空间中表示树、有向无环图等数据的层级关系，提出 Shadow Cones 框架，以光源和不透明物体形成的阴影之间的集合包含关系表示偏序。其主要贡献是将既有 entailment cones 构造推广到更广泛的形式及 Poincaré ball 之外的双曲空间模型。 核心机制是以阴影的包含关系编码层级，而不是仅依赖 Poincaré ball 中嵌套锥体定义偏序。这是一种受物理直觉启发的几何表示方法，不是状态空间模型；来源分类不能替代论文实际研究对象。摘要未提供具体参数化、损失函数、训练流程或推理规则，尚不能判断各类几何构造的实现成本及适用条件。 作者报告，在不同规模和层级结构的数据集上，Shadow Cones 持续且显著优于既有 entailment cone 构造，并具有优于受限于 Poincaré ball 的构造的优化性质。摘要没有给出数据集名称、数据划分、基线配置、指标或数值；“显著”的统计检验依据，以及实验协议、消融及统计信息尚未验证，不能据此推导具体性能增益。 该方法依赖可用于定义或学习偏序的层级关系，而非直接面向 EEG 时序解码。当前材料未提供这些关系与 BCI 任务、标签或神经信号结构之间的具体对应，因此不将原领域结果视为 EEG/BCI 有效性证据，也不据此提出迁移实验方案。已有 EEG 相关工作尚未检索确认。复现前需核对全文中的几何定义、关系监督、采样方式、优化设置与评估协议；代码可用性尚未验证。