SO(3) 空间中的傅里叶分析：EquiLoPO Network

基于摘要分析。本文研究三维体数据的旋转等变建模，提出 EquiLoPO Network，在连续 SO(3) 群上实现对局部模式朝向的解析等变性，同时允许不受约束的可训练滤波器。主要研究对象是三维医学影像，而非 EEG 解码或 BCI。 机制上，方法以不可约表示作为傅里叶基构造群卷积，并引入 SO(3) 空间中的局部激活函数，使输入函数到输出函数的映射保持等变性，再将这些运算整合进 ResNet 风格架构。作者将其与局限于离散旋转的群卷积方法、滤波器结构受约束的可转向卷积方法相对照；关键技术问题是局部非线性与灵活滤波器能否同时保留连续旋转等变性。具体计算形式、数值实现与计算开销尚未验证。 作者报告，在 MedMNIST3D 的多种三维医学影像数据集上，该方法持续优于现有先进方法；摘要未提供具体子数据集、数据划分、对照方法或指标数值，因此不能量化优势。实验协议、消融及统计信息尚未验证。摘要提供了公开代码地址，但实现与复现条件尚未核验。 平台推测（待验证）：若 EEG 任务采用具有明确三维坐标与旋转作用的源空间体数据，其连续旋转等变运算可能提供可复用模块；这不等于任意旋转都是合理的 EEG 标签保持变换。原方法依赖三维体数据结构，迁移时需改造输入表示并验证解剖朝向与任务标签的关系。传感器空间 EEG 的稀疏、不规则通道，以及低信噪比、跨被试解剖差异和小数据，均可能削弱收益。一个可证伪的小实验是在固定被试划分与相同训练预算下，对源空间体数据比较等变模块与旋转增强基线，分别测试原始数据和预先定义的标签保持旋转扰动。已有 EEG 相关工作尚未检索确认。