用于 SPD 神经网络的黎曼多项逻辑回归

基于摘要分析。本文研究对称正定（SPD）矩阵神经网络的分类层设计，针对现有方法通常在近似空间中使用传统欧氏分类器的问题，提出 Riemannian Multinomial Logistics Regression（RMLR），以更直接地利用 SPD 流形几何进行分类。主要研究对象是通用 SPD 网络，EEG 分类是其验证应用之一，而非专门面向 BCI 的完整解码系统。 方法受 Hyperbolic Neural Networks（HNNs）启发，在由欧氏空间拉回的度量下建立统一的黎曼分类器构造框架，并在参数化 Log-Euclidean Metric（LEM）与 Log-Cholesky Metric（LCM）下展示实例。作者还提出，该框架可为既有 SPD 网络中常用的 LogEig 分类器提供新的内禀解释。摘要未给出分类边界、参数化细节、损失表达式或训练流程，因此尚不能判断其与现有分类头的具体实现差异及计算代价。 作者报告，该方法在雷达识别、人体动作识别和 EEG 分类三类应用中得到有效性验证。摘要未提供数据集、EEG 任务、被试数、被试内或跨被试划分、对照方法及指标数值，因而不能量化性能提升或判断跨被试泛化能力；实验协议、消融及统计信息尚未验证。 复现时可优先核对 SPD 输入或特征的构造方式、度量参数设置，以及分类头比较时是否保持骨干网络和训练条件一致。摘要提供了代码仓库，但代码内容、运行条件及结果可复现性尚未验证。其对 EEG 的具体价值仍需结合全文中的信号表示与评估协议判断，不能由通用 SPD 几何优势直接推定 BCI 性能提升。