用于层级表示学习的双曲扩散嵌入与距离

基于摘要分析。本文研究如何为具有层级结构的数据构造有意义的表示与距离，提出结合扩散几何和双曲几何的嵌入方法。核心贡献是利用扩散几何建立多尺度数据密度，再将其嵌入双曲空间的乘积，以表达数据的层级结构。 机制上，多尺度密度旨在揭示数据在不同尺度下的层级关系，双曲空间乘积则承担表示这些关系的作用。作者报告，其嵌入与距离能够在理论上恢复底层层级结构；摘要未给出恢复成立的假设、误差界、距离定义或空间构造细节，尚不能据此判断理论结论适用的数据范围。 实验方面，作者报告在图嵌入基准和层级数据集上展示了方法的有效性及相较现有方法的优势。摘要未提供具体数据集、划分、对照方法、指标及数值，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 样本间可构建具有稳定层级关系的相似图，这种多尺度表示机制可能用于探索跨被试或跨会话的表征结构。可复用部分是多尺度扩散密度与双曲嵌入框架，需要改造和核对的是 EEG 特征、图构建及尺度选择；其适用性依赖样本相似关系是否可靠。低信噪比、通道差异和小样本可能使图结构主要反映被试或采集条件，而非任务关系。一个可证伪的小实验是在固定 EEG 特征和相同数据划分下，对比该方法与扩散几何表示，检验跨会话任务邻域的一致性是否改善。上述并非已验证的 EEG/BCI 效果，相关既有 EEG 工作尚未检索确认。