面向 SPD 神经网络的黎曼多类别逻辑回归

基于摘要分析。该研究面向对称正定（SPD）矩阵学习，关注现有 SPD 网络常在近似空间中使用传统欧氏分类器、未充分利用 SPD 流形内在几何的问题。作者受 Hyperbolic Neural Networks（HNNs）启发，提出用于 SPD 网络分类层的 Riemannian Multinomial Logistics Regression（RMLR），并以雷达识别、人体动作识别和 EEG 分类作为应用验证。 方法的核心是为由欧氏空间拉回的度量建立统一的黎曼分类器构造框架，并在参数化 Log-Euclidean Metric（LEM）与 Log-Cholesky Metric（LCM）下展示该框架。其研究重点是分类层与流形几何的匹配，而不是仅将 SPD 表征映射到近似欧氏空间后接入常规分类器。作者还提出，该框架可为现有 SPD 网络中常用的 LogEig 分类器提供新的内在几何解释；这一联系有助于理解新分类器与既有实现之间的关系，具体推导仍需查阅全文。 作者报告方法在上述三类应用中有效，但摘要未提供 EEG 任务类型、数据集、被试数量、被试内或跨被试等评估协议、对照基线及指标数值，因此尚不能判断其在具体 BCI 场景中的提升幅度或泛化能力。实验协议、消融及统计信息尚未验证，也不能据此认定其对低信噪比、通道变化或小样本条件具有鲁棒性。 摘要提供了代码仓库，可作为复现入口；代码与论文版本的对应关系、运行依赖、预处理和数据划分仍需核对。复现时值得重点检查固定 SPD 表征与训练条件后，更换分类层及选择不同度量分别带来的影响。