LAtte：用于跨被试 EEG 分类的双曲 Lorentz 注意力

基于摘要分析。LAtte 针对 EEG 低信噪比与实例间高变异带来的分类困难，将 Lorentz Attention Module 与基于 InceptionTime 的编码器结合，重点研究跨被试泛化，并通过共享信号学习和个体差异建模组织多被试训练。 方法上，作者先通过预训练任务学习所有被试共享的基线信号，以捕捉共同的潜在模式；随后利用低秩适配器学习被试特定嵌入。作者称，这使单个模型能够同时面向所有被试训练，而不必为每名被试维护独立的整套模型权重。摘要未说明预训练任务、Lorentz 注意力的具体计算、双曲空间映射、损失函数及适配器配置，相关机制仍需全文核对。 作者报告，在三个常用 EEG 基准上，相较其所称的当前最先进方法取得明显性能提升。但摘要未提供数据集名称、分类任务、指标、数值或对照方法，也未交代跨被试训练与测试划分。因此，目前无法量化提升幅度，亦无法判断结果对应未见被试直接推理，还是包含目标被试适配的评估设置。 复现时应重点核对：共享基线学习使用哪些被试数据，目标被试嵌入如何获得、是否需要标签，以及 Lorentz 注意力和低秩适配器分别带来何种增益。这些属于待验证事项，并不意味着作者未开展相应实验。实验协议、消融及统计信息尚未验证；代码、预处理流程和计算需求也未由所给材料确认。