GCorP：全局相关性池化

基于摘要分析。本文研究全局协方差池化同时编码通道间关系与通道尺度的问题，提出 Global Correlation Pooling（正文缩写为 GCoRP），将协方差归一化为尺度不变的相关矩阵，再映射到特定几何对应的平直或双曲坐标。研究对象覆盖图像分类、EEG 基础模型分类和生成模型后训练，并非仅针对 EEG 的方法。 核心机制是降低通道尺度变化对池化表示的影响：协方差会随通道重缩放而改变，相关矩阵则旨在保留归一化后的通道关系。该处理也意味着不再保留原有通道尺度信息，因此其是否适合特定任务，需要结合尺度信息是否具有判别价值来判断。 理论方面，作者报告，对于平直几何，未采用切空间平凡化的相关矩阵流形多项逻辑回归，可以在欧氏坐标中精确优化：针对流形值原型和切向量的 Riemannian SGD，经诱导坐标映射后对应普通 Euclidean SGD。这一结论在摘要中限定于平直几何，不应直接推广到双曲情形。 实验方面，作者报告 GCoRP 在上述三类任务中具有较好的准确性与效率权衡，并支持分类训练和分布匹配训练。摘要未提供 EEG 数据集、基础模型名称、被试数量、被试内或跨被试划分、对照基线及具体指标，因此无法量化其 EEG 收益或判断跨会话泛化能力；实验协议、消融及统计信息尚未验证。复现时需重点核对相关矩阵的数值处理、几何坐标映射，以及尺度归一化相对协方差池化的实际贡献。