基于曲率感知优化的鲁棒双曲学习

基于摘要分析。本文主要研究双曲深度学习中的过拟合、计算开销与优化不稳定问题，尤其关注流形曲率可学习时的稳定性。作者提出 Riemannian AdamW 的推导、可微调的双曲缩放方法及面向黎曼优化器的曲率感知学习方案，并在计算机视觉、EEG 分类和层次度量学习任务中评估。 机制上，双曲空间利用负曲率及其距离增长特性表达数据的层次关系。作者以 Riemannian AdamW 改善泛化，通过缩放约束双曲嵌入、减少近似误差，再结合曲率感知学习方案，支持曲率与非平凡化（non-trivialized）双曲参数的联合学习。摘要未给出具体更新公式、缩放参数化方式或曲率与其他参数的协调更新细节，尚不能据此还原算法。 作者报告，该方法在上述任务中获得一致的性能改善，并显著降低运行时间；但摘要未提供 EEG 数据集、被试数量、分类任务、被试内或跨被试等划分协议、对照基线、指标及具体数值，因此不能判断收益大小或其对 BCI 场景的适用范围。实验协议、消融及统计信息尚未验证。 复现时值得核对曲率学习、嵌入缩放和 Riemannian AdamW 各自的贡献，以及运行时间比较所用的硬件、模型与训练条件。EEG 分类已是作者报告的评估领域，但这不等于已验证跨被试、跨会话泛化或在线 BCI 性能；这些结论仍需全文证据支持。