본 논문은 고차원 데이터를 저차원 부분 공간으로 모델링하여 기하학적 표현 학습을 위한 강력한 매개체인 Grassmanian manifold를 활용한다. 기존 접근 방식이 정적 단일 부분 공간 표현에 의존하는 한계를 해결하기 위해, 위상 기반의 다중 부분 공간 융합 프레임워크를 제안한다. 이 프레임워크는 Kolmogorov-Arnold 표현 정리에 영감을 받은 적응형 다중 부분 공간 모델링 메커니즘과 Fréchet 평균 최적화를 통한 다중 부분 공간 상호 작용 블록을 통해 동적으로 부분 공간을 선택하고 가중치를 부여한다. 3D 동작 인식, EEG 분류, 그래프 작업에 대한 광범위한 실험을 통해 최첨단 성능을 입증한다.
