双流形正则化引导的面向点云分析的鲁棒表征学习

基于摘要分析。本文研究不规则、稀疏点云的鲁棒表征学习，提出 Dual Manifold Regularization（DMR），结合双曲流形与超球面流形的几何性质，分别刻画部件—整体层级关系和判别性特征。主要研究对象是三维点云，而非 EEG 或 BCI。 机制上，作者利用负曲率双曲流形的树状结构建模点云内部的层级关系；通过拓扑一致性增强构造正样本，并在正曲率超球面流形上进行对比学习。其方法动机是缓解单流形正则化对复杂关系及数据多样性的表达限制。摘要未提供具体损失形式、两类约束的组合方式、骨干网络或训练监督配置。 作者报告，在形状分类任务中，DMR 在 ModelNet40 上取得 94.8% Overall Accuracy（OA），在 ScanObjectNN 上取得 90.7% OA，并称优于传统监督学习和单流形正则化方法，且不增加基线参数量；SOTA 为作者表述。摘要未说明数据划分、ScanObjectNN 具体评估变体及对照模型，因此这些数值不能脱离各自协议直接比较。实验协议、消融及统计信息尚未验证，代码与复现配置也尚未确认。 平台推测（待验证）：可迁移的机制是假设以双曲空间表达 EEG 表征中的层级关系，以超球面对比约束增强判别性，但前提是能定义有意义的层级及保持任务语义的正样本。点云编码和拓扑增强不能直接照搬，需改造为适配 EEG 时空结构的编码与增强；低信噪比、通道差异、跨被试偏移及小数据可能使几何约束拟合伪结构。一个可证伪的小实验是在固定 EEG 编码器、相同数据划分与训练预算下，比较无约束、单流形及双流形约束的跨被试表现，并核对增强是否保留任务标签。已有相关 EEG 工作尚未检索确认。