空间形式中的主成分分析

该研究针对欧氏 PCA 难以适配层次性、周期性等非欧氏数据结构的问题，提出常曲率空间中的 Space Form PCA（SFPCA），通过最小化投影代价寻找表示流形值数据的低维仿射子空间。基于摘要分析，未取得论文全文。 核心机制是在黎曼流形的一点处，以一组切向量定义黎曼仿射子空间，并为常曲率空间构造适当的投影代价函数。摘要指出，这些代价函数具有两项性质：最优仿射子空间可由特征方程求解，且不同维度的最优仿射子空间形成嵌套集合。这使降维具有明确的代数求解结构和维度间的一致性；具体代价函数、特征方程及理论成立条件尚未验证，不能据此断言适用于任意黎曼流形。 作者报告，在球面和双曲空间的真实及模拟数据上评估了 SFPCA；在模拟数据的真实子空间估计任务中，相较替代方法，其收敛速度或准确性更优，且经常两者均有改善。摘要未给出数据集名称、样本规模、对照方法及指标数值，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 的某种表征已具有合理的球面或双曲几何结构，SFPCA 可能作为降维模块，用于检验欧氏 PCA 是否忽略了相关结构。该假设依赖输入确实符合所选常曲率几何，并非将任意 EEG 协方差流形直接替换为常曲率空间。可复用部分是子空间估计与投影，需改造和验证的是 EEG 表征、几何映射及下游接口；低信噪比、跨被试分布差异、通道变化和小样本可能使几何假设失效。一个可检验的小实验是在固定 EEG 表征及训练／测试划分下，对比 SFPCA 与欧氏 PCA 的同维度降维结果，核对子空间稳定性及同一解码器的性能；几何映射与降维参数仅由训练集确定。相关 EEG 工作尚未检索确认。