伪双曲神经网络

基于摘要分析。本文研究如何利用具有多个时间样维度的伪双曲流形，提升对混合结构异质数据的表示能力，核心贡献是 Pseudo-Hyperbolic Multinomial Logistic Regression（QMLR）及配套的伪双曲注意力模块。主要研究对象是通用几何表示学习，EEG 解码是其评估任务之一，而非全文唯一目标。 标准双曲神经网络通常采用单一时间样维度，具有适合层级数据的归纳偏置；本文尝试放宽这一几何约束。QMLR 推导精确的空间样点到超平面决策函数，并在对应的全局最小距离表述不适定时构造时间样替代函数。类别相关偏移通过广义 Lorentz boosts 编码，可学习门控自适应融合两个因果分支。作者称，据其所知，这是首个直接定义在伪双曲流形上的 MLR 分类器，该优先性主张尚未独立核实。 为改善分类器输入的表示，注意力模块结合几何感知聚合、径向投影与可学习残差插值，同时保持流形约束。作者报告，在图节点分类、EEG 解码、图像分类和基因组序列学习实验中，框架在多数设置下优于所比较基线；摘要未提供 EEG 任务、数据集、被试数、划分协议、指标或具体数值，因此不能据此确认跨被试、跨会话或其他特定协议下的收益。实验协议、消融及统计信息尚未验证，代码与复现条件亦未确认。 平台推测（待验证）：其几何分类头与注意力机制可能适用于兼具层级关系和非层级差异的 EEG 表示，但这依赖输入表示是否支持相应几何结构，不能由通用任务结果直接推出。假设开展小规模验证，可固定 EEG 编码器与数据划分，比较 QMLR、标准双曲分类头及欧氏分类头，并核对门控和时间样替代分支的贡献；低信噪比、被试差异、通道配置变化及小样本可能使几何结构估计不稳定。除本文摘要外，相关 EEG 工作尚未检索确认。