双曲表示学习：重新审视与改进

基于摘要分析。本文研究双曲表示学习能否通过自适应优化自动推断并保留数据中的层级结构，提出位置追踪机制检视已有模型，并以 hyperbolic informed embedding（HIE）利用节点到原点的双曲距离所诱导的范数信息，改进现有双曲表示。 核心机制方面，作者将节点相对原点的位置视为可利用的层级线索，而不是仅依赖优化过程隐式形成层级。作者报告，位置追踪揭示已有模型学习的表示并不理想，并称 HIE 利用无需额外获取的层级信息，具有任务无关、模型无关的特点。摘要未给出位置追踪的具体定义、HIE 如何作用于目标函数或优化过程，以及是否需要额外监督，相关实现尚未验证。 结果方面，作者报告在多种模型和不同任务的实验中，相较竞争基线最高改善达 21.4%。摘要未说明该数值对应的任务、数据集、指标、划分与基线，也未明确其具体计算口径，因此不能将其解释为 Accuracy 提升或百分点变化。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 样本或脑网络节点存在可验证的层级结构，HIE 的径向层级约束可能为相应双曲表示提供归纳偏置，但原领域结果不等于 BCI 有效。可复用部分是位置诊断和径向信息利用机制，需改造的是 EEG 到节点或嵌入的映射及层级定义；其对监督信息和数据规模的要求仍需全文确认。低信噪比、跨被试差异、通道变化和小样本可能使径向位置反映噪声或被试身份，而非目标层级。一个可检验的小实验是在固定 Cross-subject 划分下，对同一双曲 EEG 模型比较加入与不加入 HIE，并设置打乱层级信息的对照，检验收益是否确由有效层级线索产生。已有 EEG 相关工作尚未检索确认。