GM-VAE：高斯流形上的 VAE 表征学习

基于摘要分析。本文研究如何在具有非欧几里得几何结构的潜空间中进行 VAE 表征学习，提出 GM-VAE，以高斯分布的集合构成潜空间。主要应用对象是图像数据集的密度估计，以及基于模型的强化学习中的环境建模，并非 EEG 或 BCI。 核心机制是利用单变量高斯分布族在 Fisher 信息度量下形成双曲空间这一性质，将其称为高斯流形。为定义潜空间上的概率密度，作者提出 pseudo-Gaussian manifold normal distribution，使用作为 Fisher–Rao 距离平方局部近似的 Kullback–Leibler 散度进行构造。摘要未提供该分布的具体公式、采样方式、训练目标及潜空间组织方式，相关实现细节尚未验证。 作者报告，在所评估的图像密度估计任务中，GM-VAE 优于参与比较的其他双曲 VAE 和欧几里得 VAE 变体；在基于模型的强化学习中取得有竞争力的表现，并表现出较强的数值稳定性。摘要未给出数据集名称、划分、具体基线、指标或数值，因此不能据此判断优势幅度及适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 表征确实受益于双曲潜空间，可尝试复用其流形潜变量与分布构造，并将输入编码器、输出解码器及观测似然改造为适配多通道 EEG 时序的形式。这一假设不等于 EEG 数据天然具有双曲结构；低信噪比、被试差异、通道变化和小样本均可能使几何归纳偏置失效。可在固定 EEG 数据划分、编码器容量和训练预算下，对照欧几里得 VAE 与 GM-VAE，分别核对重建或密度估计表现、数值稳定性及冻结表征后的任务表现。已有 EEG 相关工作尚未检索确认。