多尺度动态 Curvelet 散射网络

基于摘要分析。本文研究一般分类任务中的特征表示学习，针对几何特征与多尺度结构相对固定的问题，提出 multiscale dynamic curvelet scattering network（MSDCCN），将多尺度几何先验与数据驱动的动态特征复用结合；摘要未明确具体分类领域，不应将其视为已验证的 EEG 或 BCI 方法。 机制上，MSDCCN 在不同层级聚合多分辨率散射特征与多尺度 Curvelet 特征，并通过多尺度干预标志控制这些特征在网络中的动态复用。该标志依据复杂度评估初始化，再根据预训练模型的特征稀疏性统计更新，以支持后续训练中的表示学习。作者还提出多阶段微调，以及可嵌入其他网络的多尺度动态 Curvelet 散射模块。复杂度与稀疏性的具体定义、标志更新规则、预训练来源和损失形式尚未验证。 作者报告，在其分类实验中，MSDCCN 能取得更好的分类准确率，并进行了收敛、机制洞察及适应性分析；但摘要未提供数据集、划分、对照方法或具体数值，尚不能确定增益幅度及适用范围。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 转换为具有局部几何结构的时频表示，该动态复用机制可能用于适应不同尺度的信号特征；可复用的是多尺度聚合与复用控制思路，需改造输入表示及复杂度、稀疏性统计。假设风险在于低信噪比使控制标志响应伪迹而非任务信息，且通道布局、跨被试差异和小数据可能削弱几何先验的稳定性。一个可证伪的小实验是在固定 EEG 数据划分与训练预算下，对比固定复用和动态复用，分别报告被试内、跨被试结果，并检验控制标志对噪声扰动的稳定性。相关 EEG 工作尚未检索确认。