Polyatomic Complexes：一种融入拓扑信息的原子体系学习表示

基于摘要分析。本文研究如何为化学结构构建稳健表示，使学习模型能够利用拓扑归纳偏置，并提出面向原子体系的 Polyatomic Complexes 表示。其主要研究对象是原子体系，而非 EEG 或 BCI 信号。 方法方面，作者称证明了该表示满足结构、几何、效率及泛化方面的全部约束，并给出可编码任意原子体系的通用算法。摘要未说明这些约束的具体定义、表示所采用的数学构造，以及如何与下游模型连接，因此尚不能核对证明的适用范围、计算复杂度或模型训练方式。 结果方面，作者报告该表示在多项任务上的性能与最先进方法相当，但摘要未列出任务、数据集、划分协议、对照方法及指标，不能据此判断优势大小或跨任务稳定性。作者声明已开源全部代码和数据，并提供仓库入口；仓库内容、运行条件、实验协议、消融及统计信息尚未验证。 现有材料未建立原子体系拓扑表示与 EEG 信号建模之间的具体机制对应关系，不能将其直接解读为 BCI 算法创新或已证实的迁移收益；已有 EEG 相关工作尚未检索确认。