面向曲率对齐 SPD 流形学习的嵌套归纳偏置框架

基于摘要分析。研究针对对称正定（SPD）流形表示学习中“满足流形约束”与“表达数据关系先验”不一致的问题，提出 Nested Inductive Bias 框架，通过多阶段微分同胚复合，将非欧目标几何拉回 SPD 流形。原研究面向几何表示学习，摘要提及运动学、信号处理基准及合成实验，未明确涉及 EEG 或 BCI。 核心机制是区分归纳偏置的两种作用：保证表示满足流形约束，以及嵌入关系先验。作者指出，常用拉回欧氏度量虽能高效避免越出定义域，却引入平坦几何，可能不符合数据内在关系。框架尝试将 Poincaré 等非欧几何的关系先验扩展到 SPD 表示。作者进一步指出，将无界欧氏表示映射至具有有限单射半径的流形时，会产生“Norm Mismatch”，导致性能下降及微分同胚失效，并提出 Rational Conformal Metric（RCM），声称其保持双射性且能对异常值提供正则化。 作者报告，在上述基准与合成实验中，度量与数据分布之间的曲率／范数失配会削弱深度流形网络的类别可分性；其曲率对齐黎曼分类器相对 AIRM 等经典非平坦 SPD 度量降低了 95% 的计算开销。摘要未给出该数字的具体基线实现、硬件、数据规模或计时范围，因此尚不能判断加速适用边界。数据集名称、划分、分类指标、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 采用 SPD 协方差矩阵表示，该框架可能用于检验既有度量是否适合任务的类别结构；这只是机制对应假设，并非已证实的 BCI 效果。可复用部分是几何映射与分类器，需适配协方差估计、通道配置及训练流程；低信噪比、小样本和跨被试分布变化可能使曲率选择不稳定。一个小规模可证伪实验是在固定 EEG 数据划分、协方差估计和分类器容量下，对照拉回欧氏度量、AIRM 与所提方法，同时报告分类表现、表示范数和计算耗时。具体监督依赖、几何选择及复现条件需查阅全文，已有 EEG 相关工作尚未检索确认。