用于双曲神经网络的 Klein 模型

基于摘要分析。本文研究双曲神经网络（HNNs）的坐标表示与基础运算，提出基于 Klein 模型的网络框架，为主要采用 Poincaré ball 模型和 hyperboloid 模型的既有实现提供另一种选择。主要贡献是给出 Klein 模型中的运算表达，并研究 Klein 线性层与 Einstein 运算之间的理论联系。 机制方面，Klein 模型的测地线表现为直线，便于构造 Einstein midpoint；摘要指出，该构造此前也被用于其他双曲模型的 HNNs。作者报告证明：标量乘法和平行传输的“切空间构造”分别与 Einstein scalar multiplication 和 Einstein addition 完全一致，其作用类似于 Poincaré ball 模型中的 Möbius 运算。这一结果涉及基础运算的对应关系，不能据此推断所有网络结构或训练过程都等价。 数值结果方面，作者报告 Klein HNN 在所开展的数值比较中与 Poincaré ball 模型表现相当，但摘要未提供任务、数据集、划分、指标或具体数值。因此，目前无法判断这一结论适用的数据结构与规模，也不能推断计算效率或稳定性优势。实验协议、消融及统计信息尚未验证；具体损失、训练配置与代码可用性也尚未验证。 平台推测（待验证）：若 EEG 任务的样本关系或标签组织确实具有适合双曲空间表达的层级结构，Klein 线性层和相关聚合运算可能作为双曲表示模块复用，而不是直接替代 EEG 时序特征提取。需要改造的部分包括 EEG 编码与双曲空间映射，并明确原实验依赖的数据结构、监督方式和规模。低信噪比、跨被试差异、通道变化及小数据可能使预设层级关系不稳定。一个可检验的小实验是在固定 EEG 编码器、数据划分、训练预算与输出维度的条件下，仅替换 Klein 与 Poincaré ball 表示模块，比较同一指标及数值稳定性；原领域结果不构成 BCI 有效性证据，已有 EEG 相关工作尚未检索确认。