基于随机矩阵理论改进的对称正定矩阵 Fréchet 均值

基于摘要分析。本文研究机器学习中协方差矩阵的汇总问题，提出基于随机矩阵理论的方法，估计对称正定（SPD）矩阵流形上的 Fréchet 均值，也称 Karcher 均值或几何均值。核心贡献是改善样本支持较低、待平均矩阵数量较多时的均值估计，而非提出新的 EEG 解码网络。 技术上，研究对象是具有 SPD 结构的协方差矩阵及其流形均值。摘要将方法的优势场景明确限定为低样本支持与大量矩阵平均，但未给出随机矩阵理论校正的具体形式、所用流形度量、优化过程或统计假设；因此尚不能判断其对维度与样本量比例、矩阵可逆性及计算成本的要求。 作者报告，在合成数据、真实 EEG 数据和高光谱数据的实验评估中，该方法大幅优于现有先进方法。摘要未列出具体数据集、EEG 任务、被试数量、被试内或跨被试划分、对照方法及结果指标，因而这一结论只能作为作者报告，不能转述为已验证的 BCI 解码性能提升。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 流程使用协方差矩阵的黎曼几何均值作为参考，其估计模块可能具备复用价值，尤其值得考察短时间窗下的有限样本影响；但这依赖实际 EEG 协方差满足方法假设。低信噪比、通道相关性和跨被试分布差异可能限制收益。可在固定数据划分与下游分类器的条件下，仅替换均值估计模块，比较不同时间窗长度下的结果及计算开销。本文已包含 EEG 实验，但其他相关 EEG 工作尚未检索确认，具体实现与复现条件仍需查阅全文。