TorchSpatial：用于空间表征学习的位置编码框架与基准

TorchSpatial 面向地理空间数据的空间表征学习，聚焦位置（点）编码，提出统一实现框架、LocBench 基准及兼顾整体性能与地理偏差的评估体系。基于摘要分析，原论文的主要研究对象是 GeoAI 中的位置表征及地理感知图像任务，而非 EEG 或 BCI。 框架与任务：作者介绍，TorchSpatial 整合了 15 种常用位置编码器，以支持实现的一致性、可扩展性与可复现性；LocBench 包含 7 个地理感知图像分类数据集和 10 个地理感知图像回归数据集。上述数量描述的是基准组成，不能据此推断具体数据规模、训练划分或跨地域泛化能力。 评估贡献：除整体任务性能外，框架还评估模型的地理偏差，并提出 Geo-Bias Score。作者报告对不同位置编码器的性能和地理偏差进行了详细分析，但摘要未提供该指标的计算定义、具体实验分数或编码器间的优劣结论，因此尚不能判断性能与地理偏差之间的关系。 复现与待核对事项：摘要提供了 TorchSpatial／LocBench 及 Geo-Bias Score 评估框架的公开代码地址，但代码内容与可运行性尚未验证。数据集名称、空间划分方式、位置与图像信息的融合机制、训练配置、消融及统计信息均需结合全文和实现核对；本材料不支持将其表述为已验证的 EEG／BCI 方法。