通过 Spline-Pullback Metric 在 SPD 流形上进行通用微分同胚表示学习

基于摘要分析。该研究面向对称正定（SPD）流形上的表示学习，提出 Spline-Pullback Metric（SPM），以可学习的全局微分同胚构造拉回度量，替代预先固定的代数黎曼度量。方法包括 Spectral-SPM 与 Cholesky-SPM 两种变体，核心是使用带单调约束、秩不变的 B-spline 对几何映射进行建模。 作者认为，部分既有参数化几何采用依赖秩的缩放或无界幂运算，可能破坏矩阵函数的基础性质，导致空间折叠、全局满射性不足及谱奇异点附近的梯度消失。针对这些问题，作者声称 SPM 可对严格递增微分同胚进行稠密通用逼近，理论上推广已有拉回度量，并支持谱域的局部非线性建模；作者还声称其全局双射几何可避免梯度不稳定和秩交换不连续。上述结论的适用域、边界条件及证明尚未验证，不能仅据摘要认定对所有 SPD 学习设置均成立。 作者报告，在五个基准数据集上，SPM 配合 Linear Probes、SPDNets 和深层 Riemannian ResNet 架构取得优于对照的性能。摘要未提供数据集名称、任务、指标、划分及具体数值，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 样本以 SPD 协方差矩阵表示，可检验其可学习度量是否缓解固定几何对协方差分布的适配限制。可复用部分是几何映射与拉回度量模块，需适配 EEG 协方差估计、正则化及通道维度；低信噪比、近奇异矩阵、通道变化和小样本下的几何过拟合均可能限制收益。一个可证伪的小实验是在同一 EEG 任务、相同划分及协方差预处理下，仅替换固定度量与 SPM，分别报告被试内和跨被试结果，并检查数值稳定性。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。