学习用于 Grassmannian 深度网络的拓扑驱动多子空间融合

基于摘要分析。本文研究 Grassmannian 深度网络中静态单子空间表示难以刻画复杂几何结构的问题，提出拓扑驱动的多子空间融合框架，通过自适应选择、加权和流形上的交互融合实现子空间协作。主要研究对象是几何表示学习，EEG 分类是作者列出的验证任务之一，而非全文唯一目标。 机制上，作者以 Kolmogorov-Arnold 表示定理为启发，利用拓扑收敛分析动态选择并加权任务相关子空间；多子空间交互模块通过流形上的 Fréchet mean 优化融合异质几何表示。框架还结合黎曼批归一化与互信息正则化，旨在提升判别性和鲁棒性。作者称在投影度量拓扑下建立了自适应子空间的收敛保证，并据此支持稳定的梯度优化；具体定理假设、适用范围、正则化形式及优化实现尚未验证。 作者报告在 3D action recognition 数据集 HDM05、FPHA，EEG classification 数据集 MAMEM-SSVEPII，以及图任务上取得领先性能，并声称具有更好的判别性与可解释性。摘要未提供具体指标、数值、基线和数据划分，不能据此判断 EEG 结果属于被试内、跨被试还是跨会话协议，也不能量化提升幅度。实验协议、消融及统计信息尚未验证。 复现时应优先核对子空间如何从 EEG 构建、子空间维数与数量如何确定、动态权重如何学习，以及 Fréchet mean 融合和互信息正则化各自带来的收益。平台推测（待验证）：若不同子空间确实承载互补的 EEG 信息，该机制可能缓解单一几何表示的信息压缩瓶颈；但低信噪比、通道变化和小数据可能导致子空间估计或权重学习不稳定。可在明确固定的 MAMEM-SSVEPII 划分下，比较单子空间、固定多子空间融合和自适应融合，并保持预处理与训练预算一致，以检验收益是否来自自适应协作。其他 EEG 相关工作尚未检索确认。