论 ReLU 神经网络的空间折叠

基于摘要分析。本文研究 ReLU 神经网络如何通过连续层对输入空间进行几何折叠，核心贡献是提出量化折叠行为的度量，并分析输入空间与激活空间之间的凸性关系。主要研究对象是通用 ReLU 网络的几何性质，而非 EEG 或 BCI。 方法上，作者考察欧氏输入空间中的直线路径如何映射至 Hamming 激活空间。摘要指出，直线路径在映射后通常不再保持凸性，从而表现出非凸折叠。为量化这一现象，作者引入基于 range metrics 的度量，其思路与随机游走研究中的相关度量相似；作者还报告给出了输入空间与激活空间中凸性概念等价性的证明。具体度量公式、凸性的定义及定理适用条件尚未验证，不能将该等价性理解为网络映射始终保持凸性。 作者报告在几何分析基准 CantorNet 和图像分类基准 MNIST 上开展了实证分析。摘要未提供定量结果，因此尚不能判断折叠度量与分类性能、网络深度或泛化能力之间的关系；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若激活空间的构造与折叠度量可用于采用 ReLU 的 EEG 分类器，它们可能成为分析输入扰动如何改变内部表征的诊断工具，而不是直接提升解码性能的方法。需要核对度量对输入维度、路径选择和激活编码的依赖；EEG 的低信噪比、通道差异及跨被试变化可能使折叠变化主要反映噪声而非任务结构。一个可检验的假设是：在固定模型和数据划分下，对 EEG 输入施加受控噪声，比较折叠度量变化与预测稳定性是否相关。该实验需先确认原方法的适用条件；已有 EEG 相关工作尚未检索确认。