从 Kakeya 到核：面向鲁棒表征学习的多尺度几何框架

该研究针对深度学习经验效果与鲁棒性理论理解之间的差距，提出受 Kakeya 集猜想研究中的多尺度分析技术启发的几何表征框架，尝试将跨网络层的几何稳定性与输入扰动鲁棒性、模态缺失下的稳健性联系起来。基于摘要分析，未取得论文全文。 核心机制是将特征激活形式化为 representation field（表征场），并用“stickiness”描述其几何结构跨网络层的稳定性。作者以 multi-scale Wolff axioms 量化这种稳定性，并提出 Sticky Representation Theorem；作者报告，该定理建立了几何 stickiness 与网络功能鲁棒性之间的可证明关系，覆盖输入扰动及多模态场景中的模态缺失。摘要未提供定理假设、扰动范围、稳定性界或证明细节，尚不能判断其适用范围。 为将理论转化为训练约束，作者推导出 Katz-Tao Convex Wolff（KT-CW）Regularizer，称其为与架构无关的损失项，可能促进鲁棒、sticky 表征的学习。其创新重点是以统一几何语言连接表征质量、理论鲁棒性与训练正则化，而非摘要中已验证的性能提升。正则项的具体形式、计算开销、优化方式、数据集、对照基线、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若跨层几何稳定性能够在 EEG 表征上可靠估计，该约束可能用于研究噪声扰动下的表征稳定性；多模态缺失的理论路径则可能对应 EEG 与其他信号联合建模时的模态缺失问题，但不应直接等同于 EEG 通道缺失。可复用候选是 KT-CW 正则化思路，需改造表征场构造及多尺度几何估计，以适应 EEG 的时间、通道结构。低信噪比、跨被试分布变化和小样本可能使几何估计不稳定，过强的稳定性约束也可能抑制任务相关变化。待核对全文与实现后，可在同一 EEG 编码器、固定被试内划分和相同训练预算下，对比有无该正则项时干净输入及预设噪声扰动下的 Accuracy，以检验其是否提高扰动鲁棒性而不损害任务信息；这是假设性实验，不是论文结果。已有 EEG 相关工作尚未检索确认。