StarVortex：面向拉格朗日涡旋的积分曲线群自监督几何表征学习

基于摘要分析。该研究面向流体动力系统，研究如何仅从邻近积分曲线的集体几何变化中学习涡旋相关表征，并减少任意空间朝向对表征的影响。作者提出 StarVortex，以局部曲线束为输入，在不使用速度、涡量、物理派生描述符或训练标签的条件下进行自监督学习。 核心机制是将每个邻域组织为由中心曲线与对称布置的邻近种子所生成曲线组成的星形结构，同时表达中心曲线输运和曲线束的相对形变。方法不要求整个架构完全旋转等变，而是结合采样模板离散对称性带来的精确架构归纳偏置，以及针对任意连续旋转的表征一致性目标；重建与方差—协方差正则化用于保留有信息的几何变化。具体网络、损失形式和训练规模尚未验证。 作者报告，该表征支持无标签涡旋区域发现，并可作为可迁移特征，用于 pathlines、streamlines 和 vortex lines 上的涡旋区域、核心线及发卡涡监督识别。作者还报告，实验与消融支持几何对称性驱动的自监督设计，且学习特征在标签稀缺或评估超出训练域时尤其有益。摘要未给出数据集、划分、对照基线和量化指标，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其潜在可复用部分是“局部轨迹束结构＋对称性一致性”，而非流体涡旋识别任务本身。若将 EEG 状态空间轨迹作为输入，需先验证邻域轨迹束是否具有稳定含义，以及空间旋转是否对应应当忽略的变化；流体几何中的旋转对称性不能直接等同于 EEG 通道或源空间变换。低信噪比、跨被试差异和小数据可能使邻域形变主要反映噪声。可在固定 EEG 表征与数据划分下，小规模比较普通轨迹自监督、加入轨迹束结构、再加入旋转一致性的条件，检验任务表现及表征稳定性是否改善。已有 EEG 相关工作尚未检索确认。