Latent Functional Maps：用于表示对齐的谱框架

基于摘要分析。本文研究不同神经模型所学习的低维流形表示之间如何比较、建立对应与迁移，提出 Latent Functional Maps，将谱几何思想引入表示对齐，并在函数域而非直接在表示点之间处理空间关系。 该框架面向三类用途：以可解释方式比较不同表示空间并衡量其内在相似性；在无监督或弱监督条件下寻找空间间对应；在不同空间之间迁移表示。作者报告，在模型拼接（stitching）、检索等任务及多种模态上进行了验证，并认为该方法有助于降低对齐复杂度、改善可解释性与下游表现。摘要未给出具体数据集、评估划分、对照基线或量化结果，因此不能判断收益幅度及适用边界。谱算子的构造、函数基的选取、映射求解方式、训练目标、弱监督形式，以及实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若不同被试或模型的 EEG 表示保留可比较的内在几何结构，函数域映射可能成为跨被试表示对齐的候选模块。可尝试复用空间比较与映射思路，但需适配 EEG 样本关系、通道差异及谱结构估计；低信噪比、小样本和被试差异可能使几何估计不稳定，或导致几何相近却任务语义不一致。一个可证伪的小实验是固定 EEG 编码器，在相同跨被试划分与监督预算下，对比不对齐、简单线性对齐与该框架，检验目标被试任务表现及映射稳定性；不得将这种迁移设想视为已验证的 BCI 效果。已有 EEG 相关工作尚未检索确认。