HyperDG：通过曲率细化实现稳健域泛化的双曲表征对齐

基于摘要分析。HyperDG 针对多源域学习中表征几何不一致的问题，提出双曲表征学习框架，通过联合优化模型参数与流形曲率，学习兼顾跨域不变性和域内层次结构的共享元流形。其主要研究对象是通用域泛化，而非 EEG 或 BCI。 机制上，作者将各域建模为具有可学习负曲率的 Lorentz 流形，并通过在局部适应、切空间映射和全局流形调整之间交替的自反馈机制，实现跨域一致性。相较于摘要所述的欧氏空间平坦极小值或不变特征方法，其区别在于把曲率作为优化变量，尝试在同一优化过程中结合平坦极小值一致性与非欧氏表征学习。具体损失、曲率参数化、更新规则及推理流程尚未验证。 作者报告，在标准域泛化基准上，准确率、鲁棒性和分布外性能均获得一致改善；摘要未给出基准名称、数据划分、对照方法或量化结果，实验协议、消融及统计信息尚未验证，尚不能判断收益主要来自曲率学习、对齐机制还是其他训练因素。 平台推测（待验证）：若不同被试或会话的 EEG 表征存在可由双曲几何描述的层次结构，该机制可能用于缓解跨被试或跨会话表征不一致。可复用部分是 Lorentz 表征、切空间映射与曲率优化，需适配 EEG 编码器、通道配置和域划分；原方法对标签监督、源域数量及数据规模的要求尚未验证。低信噪比、小样本或通道差异可能导致曲率估计不稳定，且被试差异未必符合双曲结构假设。可检验的小实验是在固定 EEG 编码器和相同跨被试划分下，对比欧氏对齐、固定曲率及可学习曲率方案，并核对多次重复结果与曲率稳定性。相关 EEG 工作尚未检索确认。