在双曲空间中探索层级信息以实现自监督图像哈希

基于摘要分析。该研究面向自监督图像哈希检索，试图利用图像簇及其更高层语义类别之间的层级关系，改善哈希码对数据关系的保持。作者提出 Hierarchical Hyperbolic Contrastive Hashing（HHCH），将双曲空间表示、层级聚类与层级对比学习结合，而非针对 EEG 或 BCI 任务设计。 方法包含三个环节：将连续哈希码嵌入双曲空间，以利用其表示层级结构时较低的失真；改造 K-Means，使其在双曲空间中运行并自适应构建层级语义结构；通过层级实例级与层级原型级对比学习利用这些结构。摘要未给出具体损失形式、层级构建参数，以及连续表示转换为二值哈希码的细节，这些实现条件尚未验证。 作者报告，在四个基准数据集上，HHCH 优于所比较的先进自监督哈希方法，但摘要未列出数据集名称、检索指标、码长、划分协议或具体增益，因此不能据此判断优势幅度与适用范围。作者提供了代码仓库；代码可运行性、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 表征确实具有稳定的多层语义簇，该方法的双曲聚类和层级对比机制可能用于 EEG 片段检索；这一假设依赖足够的数据覆盖与可靠的聚类结构，不能由图像结果直接推出。可复用部分是表示空间和聚类、对比学习机制，需改造 EEG 编码器、增强方式及正负样本定义。低信噪比、通道差异、小数据和跨被试差异可能使层级主要反映被试身份或采集条件，而非任务语义。一个可证伪的小实验是在固定 EEG 编码器、码长和跨被试划分下，对比欧氏与双曲层级哈希，并核查检索表现及簇与任务、被试身份的对应关系。已有 EEG 相关工作尚未检索确认。