SPD Ricci Flow：通过度量演化进行图表示学习

基于摘要分析。本文研究图表示学习，提出 SPD Ricci Flow：让每个节点的对称正定（SPD）表示同时充当局部度量，并通过 Ricci 型动力学演化，使曲率驱动的度量更新直接成为节点表示学习机制。 与演化标量边长或边权的既有图 Ricci 流不同，该方法直接演化节点级度量张量。其核心是根据相邻节点 SPD 度量之间的 AIRM（仿射不变黎曼度量）差异构造矩阵值 Ricci 型曲率算子；作者还将该曲率用于解释节点表示的局部几何变化。摘要未给出算子具体形式、任务损失、训练方式及离散迭代方案，这些实现条件尚未验证。 理论方面，作者报告证明了连续时间能量耗散，并指出在图拉普拉斯一致性条件下，线性化连续极限与 Ricci–DeTurck 演化的热型主部一致。该结论有明确条件，不能据此直接推断离散训练稳定性或完整非线性动力学等价。实验覆盖节点分类、分子性质预测及金融溢出预测；作者报告这些实验支持度量演化作为图表示学习机制，但摘要未提供数据集、划分、对照基线或指标数值，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若以 EEG 协方差矩阵作为 SPD 节点表示，并在通道组、试次或被试之间建立有明确含义的图，该机制可能用于研究局部几何差异与表示平滑之间的关系。可复用部分是 SPD 度量比较及曲率驱动更新，需改造图构建、协方差估计和任务监督接口。低信噪比、少样本协方差估计不稳、通道配置差异及跨被试错误连边，都可能使演化抹去判别信息。一个可检验的小实验是在固定跨被试划分与相同分类器下，对比原始协方差表示、常规图平滑及该度量演化，检验收益是否来自演化机制，并核对正定性与数值稳定性。相关 EEG 工作尚未检索确认。