归一化 SPD 矩阵学习的黎曼几何框架

基于摘要分析。本文研究归一化或正则化后谱位于有界区间的对称正定（SPD）矩阵学习，提出基于微分同胚谱坐标的统一黎曼几何框架。主要研究对象是用于视觉、神经科学和时间序列学习的协方差及二阶统计表示，而非专门面向 BCI 的解码算法。 核心机制是选择标量微分同胚 φ:(0,1)→ℝ，将其逐个作用于矩阵特征值，把满足 0≺X≺I 的 SPD 矩阵映射到对称矩阵空间，再通过欧氏几何的拉回构造距离、测地线和黎曼算子。相较于常用的 Log-Euclidean 坐标，研究重点不是改变 SPD 表示本身，而是探索有界谱条件下的其他坐标选择。作者给出 logit、algebraic square-root、rational、tangent 和 Gumbel 坐标实例，比较其对称性、边界行为及数值条件差异。 作者称这些坐标可在不改变总体设计的情况下接入现有 SPD 架构，并在 SPD 残差网络、微分同胚生成建模、视觉识别协方差池化及大矩阵近似中评估。作者报告，动作识别、EEG/fMRI 分析、细粒度识别和 ImageNet 规模协方差模型的实验表明，谱坐标选择是有界 SPD 学习的重要设计因素；摘要未提供具体数据集、任务、被试数、划分、对照性能或指标，因此不能据此判断 EEG 解码提升幅度。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 协方差表示确实满足严格有界的正定谱条件，可复用谱映射与距离计算模块，但需核对归一化方式、特征值边界处理和数值实现。低信噪比、小样本或通道冗余可能产生接近边界的特征值，使部分坐标的数值敏感性成为风险。一个可检验的小实验是在固定 EEG 数据划分、协方差估计和下游模型的条件下，仅替换谱坐标，分别评估被试内与跨被试表现及数值稳定性。该假设不等于已验证的 BCI 效果；除摘要提及的 EEG 分析外，相关 EEG 工作尚未检索确认。