探索双曲空间中的层级信息以用于自监督图像哈希

基于摘要分析。本文研究自监督图像哈希如何利用图像语义的层级结构，提出 Hierarchical Hyperbolic Contrastive Hashing（HHCH），通过双曲空间嵌入、层级聚类和层级对比学习，使哈希表示保留图像之间的语义关系。主要研究对象是图像检索，并非 EEG 或 BCI。 方法包含三个相互关联的部分：将连续哈希编码嵌入双曲空间，以表达从细粒度图像簇到更一般语义类别的层级关系；将 K-Means 改造为层级双曲 K-Means，自适应构建层级语义结构；通过层级实例级与层级原型级对比学习利用这些结构。作者认为，双曲空间表达层级结构的失真低于超球面或欧氏空间，但具体空间定义、距离函数、损失形式、聚类更新及二值化流程尚未验证。 作者报告，在四个基准数据集上的实验优于所比较的自监督哈希方法。摘要未提供数据集名称、划分、哈希码长度、检索指标、具体分数或基线配置，因此无法判断优势幅度及不同设置下的稳定性。作者提供了代码仓库地址，但实现与运行条件尚未核验；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 表征中存在可稳定识别的多层语义簇，双曲层级聚类与两类对比目标可能用于探索紧凑检索表示。可复用的是层级构建及对比学习机制，需改造信号编码器、增强策略与正负样本构造；其依赖是聚类能够反映目标语义，而非被试、会话或伪迹。低信噪比、小样本及通道差异可能使层级结构不稳定。一个可证伪的小实验是在固定 EEG 编码器与相同数据划分下，对照欧氏平面聚类和双曲层级聚类，核对检索指标及簇的被试依赖性。该假设不代表已证实的 EEG 效果，已有 EEG 相关工作尚未检索确认。