优化曲率学习以实现稳健的计算机视觉双曲深度学习

基于摘要分析。本文主要研究计算机视觉中的双曲深度学习，针对双曲模型易过拟合、计算开销较大，以及学习流形曲率时训练不稳定的问题，提出 Riemannian AdamW 的推导、可微调的双曲缩放方法和面向 Lorentzian Optimizers 的曲率感知学习方案；评估范围也包括 EEG 分类与层次度量学习。 机制上，双曲空间的负曲率及随距离呈指数增长的度量特性，有助于表达数据的层次关系并提高嵌入的可分性。作者将 Riemannian AdamW 用于改善泛化，通过双曲缩放约束嵌入、降低近似误差，再结合曲率感知学习方案，使曲率与非平凡化的双曲参数能够共同学习。摘要未给出具体更新公式、缩放约束形式及曲率参数化方式，这些机制细节尚未验证。 作者报告，该方案在计算机视觉、EEG 分类和层次度量学习任务中均取得一致的性能改善，在其中两个领域达到作者所称的最先进结果，并显著缩短运行时间。摘要未指明是哪两个领域，也未提供 EEG 数据集、分类任务、被试数、被试内或跨被试划分、对照基线、指标及运行时间测量条件，因此不能据此认定 EEG 达到最先进水平，或量化其收益。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 表征具有可利用的层次结构，曲率学习与嵌入约束可能有助于改善表征与优化稳定性；可复用的是优化器和缩放机制，EEG 编码器及任务目标则需适配。低信噪比、跨被试差异、通道配置变化和小数据条件可能使学到的曲率不稳定，或使层次结构假设失效。一个可检验的小实验是在固定 EEG 编码器和同一划分下，对比固定曲率、可学习曲率及加入缩放约束的配置，核对分类指标、训练稳定性与运行时间。其他已有 EEG 相关工作尚未检索确认。