用于物理场重建的 Kolmogorov-Arnold 层级隐式神经表示模型

基于摘要分析。本文研究从稀疏空间观测重建连续物理场的问题，主要对象是气象与海洋系统中的精细空间结构。作者提出 KHINR（Kolmogorov-Arnold Hierarchical Implicit Neural Representation），将可学习 Gabor 滤波器与层级 Kolmogorov-Arnold Network（KAN）模块结合，用于稀疏到连续的空间场重建，而非直接研究 EEG 或 BCI。 机制上，模型先利用可学习 Gabor 滤波器编码稀疏空间点，提取局部、频率感知的空间特征，再由层级 KAN 模块处理潜在表示。重建时，待查询空间点经过 Gabor 编码，并通过作用于已学习潜在表示的门控机制生成重建结果。摘要未给出具体损失、训练流程、层级配置及门控计算形式。 作者报告，在来自气象与海洋数据集的四类物理场、多个重建任务及不同稀疏条件下，KHINR 优于所比较的模型，并报告消融支持各架构组件的贡献。摘要未提供数据集名称、划分方式、对照模型、评价指标或数值，因此尚不能独立判断优势幅度与适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 电极观测可被近似为定义在头皮空间上的连续电位场，其局部频率编码与坐标查询机制可能用于缺失通道插值。可复用 Gabor 编码、层级 KAN 和门控查询，但需适配电极几何、时间信息与参考方式，并核对模型对观测值及坐标的具体依赖。低信噪比、跨被试几何差异、通道过少及小数据可能使高频细节拟合失真。一个可证伪的小实验是：固定训练与测试划分，在测试 EEG 中遮蔽部分通道，以其余通道重建被遮蔽电位，与球面样条插值及普通 INR 比较相同遮蔽协议下的重建误差。该实验只能检验空间插值假设，不能证明 BCI 解码获益；已有 EEG 相关工作尚未检索确认。