黎曼等距核：保持双曲空间的内在几何

基于摘要分析。本文研究双曲嵌入映射到再生核希尔伯特空间（RKHS）后，核诱导相似性与原流形几何之间的一致性问题，提出 Riemannian isometric kernels，以规范特征映射所诱导的度量精确匹配输入流形的黎曼度量。 原研究对象是适合表示层级数据的双曲空间，而非 EEG 或 BCI。作者认为，现有双曲核仅在度量空间层面施加等距约束，实际使用的核相似性与理论测地距离仍存在不匹配。本文从黎曼等距定义出发，构建 logarithmic kernel（RILog）、binomial kernel（RIBin）、exponential kernel（RIExp）与 integral kernel（RIInt）。摘要同时指出，其实际使用的核诱导距离是测地距离的单调递增函数；这与“黎曼度量精确一致”属于不同层面的性质，不应解读为核诱导距离数值上等于测地距离。 评估包括几何应力分析，以及 zero-shot learning、few-shot learning、graph node classification 和 semantic textual similarity 四类下游任务。作者报告，所提核在全部评估基准上达到或超过作为对照的先进自适应双曲核，但摘要未提供具体数据集、划分、指标或增益幅度，尚不能量化效果或判断各变体的适用边界。核的具体公式、正定性条件、计算开销、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 表征确有可验证的层级结构，并已采用双曲嵌入，可假设这类核有助于保持嵌入到核方法之间的几何一致性；它不能直接替代 EEG 协方差矩阵常用的对称正定流形方法。可复用部分是双曲嵌入之后的核计算，需改造或验证的是 EEG 表征与双曲几何的对应关系。低信噪比、跨被试差异、通道变化及小数据条件可能使层级结构不稳定。一个小规模检验是在固定 EEG 嵌入、数据划分和下游分类器的条件下，仅替换双曲核，分别比较几何失真与分类表现；已有 EEG 相关工作尚未检索确认。