Neural Isometries：为等变机器学习驯服复杂变换

基于摘要分析。该研究针对现实几何与 3D 视觉中难以用解析形式描述的复杂对称性，提出自编码器框架 Neural Isometries，将观测映射到通用潜在空间，使世界空间中具有几何关系的观测，其编码之间可由等距映射联系。 核心机制是对潜在空间施加正则约束：编码之间的映射既保持一个学习得到的内积，又与一个学习得到的函数算子可交换，类比刚体变换与 Laplacian 的可交换关系。这里学习的是便于表达变换的潜在几何结构，而非直接为每类复杂非线性对称性手工构造网络。摘要未给出具体损失形式、算子参数化及训练数据组织方式，这些尚未验证。 作者报告，在预训练潜在空间中运行简单的现成等变网络，可取得与专门处理复杂非线性对称性的精心设计网络相当的结果。作者还报告，编码间的等距映射包含世界空间变换信息，可利用场景相邻视图之间映射的系数直接回归相机位姿。摘要未提供数据集、数据划分、指标或数值，因此无法量化比较；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能为 EEG 中可明确建模的传感器几何变换提供表征学习思路，但原任务依赖具有几何对应关系的观测，不能直接假定被试差异或电极变化都是保持内积的变换。可考虑复用潜在空间约束，改造为 EEG 编码器，并明确哪些变换应保持任务标签、哪些应改变输出。低信噪比、通道缺失及跨被试生理差异可能破坏等距假设，小数据也可能使学习到的内积和算子不稳定。一个可证伪的小实验是：在同一 EEG 数据划分下，对传感器布局施加已知的小幅旋转并重新插值，比较有无上述约束时的潜在变换一致性与下游任务表现，单独报告重采样误差；该实验仅检验受控变换，不代表跨被试有效性。相关 EEG 工作尚未检索确认。