控制 Fréchet 方差可改善对称正定流形上的批归一化

基于摘要分析。本研究针对对称正定（SPD）矩阵的流形结构，提出可与 SPD 神经网络结合的批归一化算法，核心贡献是在 SPD 流形上同时控制 Fréchet 均值与方差，而不只控制均值。 SPD 矩阵，尤其是作为数据描述子的协方差矩阵，广泛用于机器学习与信号分析。由于其构成黎曼流形，归一化操作需要考虑相应几何结构。该方法沿用并扩展已有 SPD 批归一化研究，将流形上的离散程度纳入控制；摘要未给出具体变换、距离度量、参数学习方式或推理阶段的统计量处理，因此尚不能确定其实现细节与复现条件。 作者在仿真及三个应用领域的小样本数据集上验证方法：基于人体运动轨迹的动作识别、图像分类，以及 EEG 信号的心理意象检测。作者报告，综合这些评估，所提方法相较既有方法与切空间近似获得系统性的性能提升，并在低信噪比和数据不足条件下表现出更好的鲁棒性。摘要未提供数据集名称、被试数量、被试内或跨被试等划分协议、评价指标及提升幅度，不能据此判断具体 EEG 使用场景中的收益大小。 对 BCI 的直接阅读价值在于，该方法已包含 EEG 任务验证，而非仅依赖跨领域迁移推断。复现时应重点核对 Fréchet 方差的定义与控制方式、批统计量的估计稳定性、低信噪比与小样本条件的构造，以及各对照是否采用一致协议。实验协议、消融及统计信息尚未验证；摘要中的心理意象任务也不足以进一步确定为运动想象（MI）。