ManifoldFormer：基于黎巴辛流形的神经动力学几何深度学习
机器学习
2025-11-24 v1 人工智能
摘要
现有的EEG基础模型主要将神经信号视为欧几里得空间中通用的时间序列，忽视了约束脑活动于低维黎巴辛流形上的内在几何结构。这一根本性的模型假设与神经几何之间的不匹配限制了表示质量和跨主体泛化。ManifoldFormer通过一个新颖的几何深度学习框架来解决这一限制，显式地学习神经流形表示。该体系结构集成了三个关键创新点：一个保留几何结构的黎巴辛变分自编码器，用于流形嵌入，一个基于测地线感知的几何Transformer，直接在神经流形上运行注意力机制，以及一个利用神经ODE进行流形约束时间演化的dynamics预测器。广泛的评估表明，本方法在四个公开数据集上的性能显著优于最先进的方法，准确率提高4.6-4.8个百分点，Cohen's Kappa提高6.2-10.2个百分点，同时保持稳健的跨主体泛化。几何方法揭示了与神经生理学原理一致的有意义的神经模式，确立了几何约束是有效EEG基础模型的关键。
引用
@article{arxiv.2511.16828,
title = {ManifoldFormer: Geometric Deep Learning for Neural Dynamics on Riemannian Manifolds},
author = {Yihang Fu and Lifang He and Qingyu Chen},
journal= {arXiv preprint arXiv:2511.16828},
year = {2025}
}
备注
5 pages, under review by ICASSP