Группа учёных из нескольких международных исследовательских центров опубликовала обзорную статью «SPD Matrix Learning for Neuroimaging Analysis: Perspectives, Methods, and Challenges» на arXiv.org. Работа, представленная 7 января 2026 года, систематизирует современные методы машинного обучения, работающие с симметричными положительно определёнными матрицами для анализа данных мозга.
Авторы показывают, что данные различных методов нейровизуализации, таких как фМРТ или ЭЭГ, естественным образом представляются в виде SPD-матриц, которые отражают связи между сенсорами или областями мозга. Ключевая идея — использование римановой геометрии на многообразии таких матриц, что позволяет проводить статистический анализ и машинное обучение, сохраняя важные свойства данных и избегая проблем евклидовых методов.
Подход SPD matrix learning решает ряд проблем анализа нейровизуализации: зашумлённость данных, искажения, неоднородность протоколов и малый размер выборок. Он служит мостом между классическими геометрическими методами статистики, используемыми в нейронауках десятилетиями, и современными парадигмами искусственного интеллекта, открывая новые возможности для задач, ранее считавшихся недоступными.
Обзор консолидирует разрозненные методики в единую концептуальную рамку, предлагая принципиальную основу для аналитики нейровизуализации следующего поколения. Статья находится на этапе рецензирования для возможной публикации в научном журнале.
