双曲图表征学习：在一种度量中嵌入，在另一种度量下优化

基于摘要分析。研究针对层次图双曲嵌入在大半径区域的数值与优化困难，提出保持嵌入空间曲率为 -1，同时独立选择优化预条件器的曲率，并结合两阶段优化改善布局与精细调整。 核心机制：负曲率使双曲空间适合低失真表示层次图，但 Poincaré ball 与 Lorentz hyperboloid 模型在大半径区域会遭遇数值问题。极坐标可以避免这一问题，不过双曲度量中与半径的双曲正弦相关的角向步长缩放会使角向运动近乎冻结。作者指出，该缩放并非必须固定采用双曲形式；例如，欧氏切空间参数化使用半径本身。论文将这些选择纳入曲率从 -1 到 0 的单参数优化预条件器族，而不改变嵌入空间的曲率。 作者报告，欧氏预条件器更适合重排布局，但精细优化能力较弱；中间曲率预条件器在布局形成后更适合细化。在摘要所述真实世界树图实验中，两阶段组合相较最佳单一曲率方案将损失降低 46–74%。这一数字是该对照下的相对损失降幅，不代表下游任务 Accuracy 的提升。具体树图数据、损失定义、阶段切换规则、预算匹配、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 功能连接图或通道关系图确实存在可利用的层次结构，这种“嵌入度量与优化度量分离”的机制可能有助于图表征优化，但原领域收益不等于 BCI 收益。可复用部分是预条件器与阶段调度；需改造图构建、边权处理及任务目标。低信噪比、跨被试连接差异、通道变化和小数据都可能削弱层次假设。一个可检验的小实验是在固定 EEG 图构建、损失和优化预算下，对比单一曲率与两阶段方案，分别检查嵌入损失、数值稳定性及 Cross-subject 下游表现。已有 EEG 相关工作尚未检索确认。