用于双曲神经网络的 Klein 模型

基于摘要分析。本文研究双曲神经网络（HNNs）的坐标表示与基本运算，提出基于 Klein 模型的 HNN 框架，为主要采用 Poincaré ball 模型或 hyperboloid 模型的既有实现提供另一种构建路径。贡献重点是运算表达与数学等价关系，而非针对 EEG 或 BCI 的算法验证。 机制方面，Klein 模型的测地线表现为直线，便于构造 Einstein midpoint。作者给出该坐标模型下若干常用运算的公式，并研究 Klein 线性层；作者证明，通过“切空间构造”得到的标量乘法与平行移动分别对应 Einstein scalar multiplication 与 Einstein addition，类似于 Poincaré ball 模型中的 Möbius 运算。摘要未提供具体公式、训练目标或网络结构，不能据此判断实现复杂度及数值稳定性。 结果方面，作者报告，在文中数值实验的评估条件下，Klein HNN 与 Poincaré ball 模型表现相当，可作为更复杂架构的基础模块。摘要未披露任务、数据集、划分、指标或数值，因此该结果不能扩展为普遍性能等价，也不能推断计算速度或内存优势；实验协议、消融及统计信息尚未验证，代码与复现条件亦尚未验证。 平台推测（待验证）：若 EEG 表征中存在可检验的层级或树状关系，Klein 运算可能作为双曲表征模块的替代实现；这一假设依赖数据关系适合双曲几何，而非仅依赖信号来自脑活动。可复用部分是几何运算与线性层，需另行设计 EEG 编码、监督目标及跨被试评估。低信噪比、通道差异与小数据可能使层级结构难以稳定识别。一个可证伪的小实验是在固定 EEG 编码器、嵌入维度与训练预算下，仅替换 Klein 与 Poincaré ball 几何模块，按同一跨被试划分比较任务指标和数值稳定性。已有 EEG 相关工作尚未检索确认。