齐次自编码器：保持幅值的表征学习

基于摘要分析。研究针对非线性降维通常不能保证保留观测幅值、因而限制极端值分析的问题，提出 Homogeneous Autoencoder（HAE），在学习高维空间到潜在空间的方向映射时精确保留指定的幅值度量。主要研究对象是重尾数据的表征学习与极端事件生成，而非 EEG 或 BCI。 核心机制是编码器的正齐次性：以正因子缩放输入时，潜在表示也按相同因子缩放；解码器保留同一幅值度量，同时容纳弯曲几何。作者给出齐次嵌入的成立条件及保证其存在的潜在维数充分界，但摘要未提供具体条件、维数公式、网络实现或损失函数。 对于正则变差的重尾数据，作者刻画编码与解码对极端值极限分布的变换，并报告径向尾指数保持不变。针对依赖幅值与方向近似独立性的阈值型极端值模型，作者证明：在保幅值编码器中，阈值以上的齐次性，是对任意输入分布保留这种独立性的必要且充分条件；这里是保留输入已有的独立性，并非使原本相关的幅值与方向变得独立。 作者报告，在合成重尾曲面和 ERA5 降水场实验中，HAE 精确保留潜在幅值，重建精度与参数量匹配的自编码器相当，并比标准自编码器更准确地生成留出的阈值超越事件。摘要未给出数值指标、划分方式或阈值选择，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务确实依赖绝对幅值，HAE 的保幅值约束可能避免编码过程丢失相关信息；这一假设依赖幅值度量具有任务意义，并需适配多通道信号及参考方式。可复用的是正齐次与保幅值约束，而极端值理论不能直接套用。低信噪比下，伪迹幅值及跨被试、跨通道增益差异可能被一并保留，小数据也可能不足以估计尾部规律。一个可检验的小实验是在固定预处理和被试划分下，对照参数量匹配的 HAE 与普通自编码器，分别检查幅值保持误差、重建误差及任务表现。已有 EEG 相关工作尚未检索确认。