Hypformer：探索完全在双曲空间中运行的高效双曲 Transformer

基于摘要分析。该研究面向具有树状或层次结构的数据表示，提出基于双曲几何 Lorentz 模型的 Hypformer，旨在将 Transformer 的必要模块完整构建于双曲空间，并通过线性自注意力降低长序列与大规模图数据的处理开销；其主要研究对象并非 EEG 或 BCI。 作者指出，既有双曲 Transformer 探索主要集中于自注意力模块，完整架构还受限于双曲空间中线性变换、LayerNorm、激活函数及 dropout 等模块的定义，以及已有双曲自注意力随 token 数量呈二次增长的时间复杂度。Hypformer 引入两个基础构件，用于定义 Transformer 所需模块，并设计双曲空间中的线性自注意力。摘要未给出这两个构件的数学形式、注意力计算细节或复杂度成立的条件，尚不能判断其几何约束、数值稳定性与实际计算代价。 作者报告在多个数据集上获得有效性与效率收益，并声称可处理十亿规模图数据和长序列输入；摘要未明确图规模的计量对象、数据集、任务、指标、对照基线或硬件条件，因此不能据此量化收益或确认规模边界。实验协议、消融及统计信息尚未验证，代码与复现条件也需查阅全文确认。 平台推测（待验证）：若 EEG 中待建模的通道或功能关系确有可利用的层次结构，双曲表示可能提供适合该结构的表征空间，线性自注意力则可能用于长时间序列建模。可考虑复用双曲模块与注意力机制，但需改造 EEG 分段嵌入、通道及时间位置编码；这一假设依赖输入关系的构建方式与数据规模，低信噪比、跨被试差异、通道变化及小数据均可能使收益消失。可在固定数据划分、训练预算和分类头的条件下，对比欧氏线性注意力与 Hypformer 模块的跨被试表现及显存、耗时，检验几何表示是否带来独立增益。已有 EEG 相关工作尚未检索确认。