通过 Gromov-Monge Gap 保持几何结构的解耦表征学习

基于摘要分析。本文研究无监督解耦表征学习，提出基于二次最优传输的 Gromov-Monge-Gap（GMG）正则项，用于量化不同空间上两个分布之间任意推前映射的几何保持程度。核心贡献是以几何保持约束促进解耦，而不只依赖输入重构。 机制上，作者从局部等距等几何假设下解耦可实现的既有理论出发，将问题置于寻求不同空间分布间等距映射的 Gromov-Monge 框架。摘要未提供 GMG 的具体计算公式、优化过程、距离定义及训练成本，因此尚不能判断其估计稳定性与可扩展性。 作者报告，GMG 正则化在四个标准基准上促进了解耦；摘要未列出基准名称、数据划分、指标与对照数值。作者还报告，几何保持在不使用标准重构目标时也能促进无监督解耦，从而允许不含解码器的模型；这并不等于任意数据条件下均可识别真实生成因素。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 表征空间中的距离能反映任务相关因素，GMG 或可作为编码器正则项，探索减少对波形重构的依赖。但这一假设依赖合理的距离度量及潜在因素结构；低信噪比、被试差异和通道变化可能使被保持的几何主要来自噪声或非任务因素，小样本也可能影响分布几何估计。可复用的是几何保持正则思路，需改造的是 EEG 输入编码、距离度量与采样策略。一个可检验的小实验是在固定数据划分与编码器条件下，对照有无 GMG，分别检查任务表现及表征中的被试信息，检验收益是否只是保留个体差异。已有 EEG 相关工作尚未检索确认。