在 Lp 超球面上学习表征：MAP 方法下损失函数的等价性

基于摘要分析。本文研究分类任务中将深度神经网络表征约束到 Lp 单位超球面时，投影方式与训练目标之间的关系，提出基于最大后验概率（MAP）建模的统一理论框架。核心贡献是推导多元高斯分布投影到任意 Lp 超球面后的概率分布及相应的一般损失函数，并据此分析不同投影的理论等价性。 机制上，论文将常见的 L2 单位超球面表征约束推广至 Lp 情形，把投影后的概率建模与分类损失联系起来。作者主张，在该 MAP 框架下，不同 Lp 投影具有理论等价性，同时可为带温度的 Softmax Cross Entropy（SCE-τ）提供新的解释。这里的等价性应结合相应目标函数理解，不能直接理解为任意归一化方式搭配同一损失都会得到相同结果；具体假设、适用的 p 范围及等价性的严格定义尚需核对正文。 作者报告，在标准计算机视觉数据集的分类实验中，采用适当目标函数时，不同 Lp 单位超球面投影呈现经验上的等价性；对投影表征使用经优化选择温度的 SCE-τ，也获得了可比表现。摘要未提供数据集名称、划分、基线及指标数值，实验协议、温度选择流程、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移点是表征归一化与分类目标的配套设计，而非已验证的 EEG 特征提取方法。假设 EEG 分类器输出的向量表征适合相应概率建模，可复用投影及损失构造，但需核对其分布假设，并适配 EEG 编码器。低信噪比、跨被试分布变化及小数据条件下的温度选择不稳定，都可能使视觉实验中的结论不再成立。一个小规模可证伪实验是固定 EEG 编码器和 Cross-subject 划分，仅比较不同 Lp 投影及其配套目标，并在训练侧验证集选择温度，检验性能是否仍可比。已有 EEG 相关工作尚未检索确认。