面向有限训练数据图像分类的 sliced-Wasserstein 空间不变性编码

基于摘要分析。本文研究有限训练数据条件下的图像分类，提出利用 Radon Cumulative Distribution Transform（R-CDT）的数学性质，在 sliced-Wasserstein 空间中对最近子空间分类模型进行数学扩展，以编码不变性，而非依赖常规的数据增强。 核心机制是将不变性纳入变换空间中的分类模型。其研究对象仍是图像分类，不是状态空间序列模型或 EEG 解码。摘要未说明具体处理哪些变换、子空间如何构造，以及输入图像需满足哪些数学条件，这些内容需结合全文核对。作者将该方法描述为简单、计算高效、非迭代且无需调节参数；这里的“数学扩展”不应直接理解为生成额外训练图像。 作者报告，在某一特定类型的学习问题中，该方法相较采用数据增强的深度 CNN，在分类 Accuracy 与计算复杂度方面具有优势，尤其适用于训练数据有限的情形。摘要未提供数据集、样本规模、数据划分、CNN 对照配置或具体指标数值，因而不能将这一结论推广至一般图像分类任务；实验协议、消融及统计信息尚未验证。 复现方面，摘要明确提供 Python 实现，并说明方法已集成至 PyTransKit。复现时应核对支持的不变性类型、R-CDT 的输入条件、预处理流程，以及比较双方的训练样本预算和计算成本口径。 平台推测（待验证）：若 EEG 的时频表示中存在可建模、且不改变任务标签的图像变换，这种显式不变性编码可能为小数据分类提供候选机制。可考察复用 R-CDT 与最近子空间分类器，但需改造 EEG 表示及变换假设；低信噪比、通道变化和跨被试差异可能并不对应所支持的图像变换，错误的不变性也可能抹去判别信息。一个可检验的小实验是在固定被试内划分与训练样本预算下，对比未扩展与数学扩展的分类器，检验所选变换是否改善留出数据上的 Accuracy。已有 EEG 相关工作尚未检索确认。