用于层次表示学习的双曲扩散嵌入与距离

基于摘要分析。本文研究层次数据的表示与距离构造，提出结合扩散几何与双曲几何的方法：先在数据上构造旨在揭示层次结构的多尺度密度，再将其嵌入双曲空间的乘积，形成层次表示与相应距离。原论文的主要对象是一般层次数据及图嵌入，并非 EEG 或 BCI。 核心机制是利用扩散过程组织数据的多尺度几何信息，再通过双曲空间表示层次关系。作者报告，其嵌入与距离在理论上能够恢复底层层次结构；相关假设、恢复含义与误差界尚未验证。作者还报告，在图嵌入基准和层次数据集上，该方法相较已有方法具有优势，但摘要未给出具体数据集、对照方法、评价指标或数值，因此不能判断优势幅度与适用范围。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 特征之间存在可重复的局部邻域与层次结构，这种“多尺度扩散密度—双曲表示”机制可能用于探索普通距离难以刻画的样本关系，但原领域结果不构成 BCI 有效性的证据。可复用的是多尺度密度构造与双曲嵌入思路；需针对 EEG 改造输入特征、邻域构造及尺度选择。监督需求、数据规模要求和推理方式需查阅全文确认。低信噪比、小样本及跨被试、跨通道差异可能使邻域主要反映噪声或采集条件，而非任务相关结构。 一个可检验的小实验是在固定 EEG 特征与一致的 Cross-subject 划分下，对比该距离与欧氏距离用于同一近邻分类器时的 Balanced Accuracy，并检验结果对邻域和尺度选择的稳定性；超参数仅在训练数据内选择。已有 EEG 相关工作尚未检索确认，代码与完整复现条件亦尚未验证。