学习超球面上的分散嵌入

基于摘要分析。本文研究如何在高维空间中学习彼此充分分离的文本或图像 embeddings：将特征约束在超球面上，通过 dispersion（分散化）使不相关向量尽可能远离，并以梯度方法近似求解。贡献包括梳理分散于不同文献中的已有方法、重新解释 Maximum Mean Discrepancy（MMD）与 Lloyd’s relaxation algorithm，以及推导一种直接利用超球面性质的新分散化方法。 其出发点是：超球面上的分散化与数学、物理中的经典问题相关，但已知最优解只覆盖有限的低维情形，难以直接用于大量高维表征。摘要未提供新方法的具体目标函数、梯度计算方式，以及如何确定哪些向量应相互远离，因此尚不能比较它与已有方法的机制差异或计算开销。 作者报告，在图像分类和自然语言处理任务中的实验体现了分散化的重要性，并显示不同算法在不同条件下存在不同权衡。摘要未列出数据集、评价指标、数值结果或对照配置；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 编码器采用归一化表征，超球面分散化可能成为调节表征分布的辅助约束，但原领域结果不等于 BCI 有效。可复用部分是超球面约束与分散化目标，需改造的是样本关系定义及其与任务监督的结合；低信噪比、跨被试差异和小数据可能使分散化放大噪声或拆散同类表征。一个可检验的小实验是在固定 EEG 编码器、数据划分与训练预算下，对比不加分散化和加入分散化约束，检查跨被试任务指标及同类表征聚合程度是否同时改善。已有 EEG 相关工作尚未检索确认。