본 논문은 고차원 데이터를 저차원 부분 공간으로 모델링하여 기하학적 표현 학습을 수행하는 Grassmannian manifold를 활용한다. 기존 연구가 정적인 단일 부분 공간 표현에 의존하여 복잡한 기하학적 구조를 포착하는 데 한계가 있음을 지적하고, Grassmannian에서 적응형 부분 공간 협업을 가능하게 하는 위상 기반 다중 부분 공간 융합 프레임워크를 제안한다. Kolmogorov-Arnold 표현 정리에 영감을 얻어 위상적 수렴 분석을 통해 작업 관련 부분 공간을 동적으로 선택하고 가중치를 부여하는 적응형 다중 부분 공간 모델링 메커니즘과 Frechet mean 최적화를 통해 이질적인 기하학적 표현을 융합하는 다중 부분 공간 상호 작용 블록을 제시한다. 3D 동작 인식, EEG 분류, 그래프 작업에 대한 광범위한 실험을 통해 최첨단 성능을 입증한다.
