Hadamard 流形值数据的正则化回归：有限样本界与切空间稀疏性

基于摘要分析。本文研究 Hadamard 流形值数据的回归问题，通过对切空间表示施加正则化，在保留内在几何的同时控制模型复杂度；主要贡献是给出条件性的有限样本理论界，并以流形模拟和探索性 EEG 协方差插值考察数值表现。 方法将回归曲线表示为有界切向量场经黎曼指数映射得到的流形值预测，并将内在损失与系数级或组级惩罚结合。对于包含环境风险最小化解的凸切空间模型，作者在测地强凸性、Lipschitz 连续性、小球条件及局部复杂度控制等假设下推导有限样本 oracle 不等式，以显式曲率因子联系切空间误差、积分测地误差与超额风险。可分解惩罚进一步通过子空间相容性和近似误差刻画正则化贡献，并在表示精确稀疏时引入稀疏性因子；这些保证依赖所列条件，不能直接视为任意 EEG 数据上的性能保证。 作者报告，Poincaré ball 与对称正定矩阵上的模拟呈现稀疏性与预测表现之间的权衡，且正则化收益随目标变稠密而减弱。在涉及 109 名被试的探索性 EEG 协方差插值研究中，作者报告正则化拟合的平均留出误差低于无惩罚拟合，但常数基线与内在回归基线取得相近误差，因此尚不能据此认定该方法优于简单基线，也不能推导其改善 BCI 解码。 复现时需核对 EEG 协方差的构造与预处理、留出单位及数据划分、具体误差定义、惩罚选择和超参数调优方式，以及理论条件与实际拟合模型的对应关系。摘要未说明留出评估属于被试内还是跨被试协议；实验协议、消融及统计信息尚未验证。