基于 Lorentzian 焦点表征的分布分歧

基于摘要分析。本文研究分类任务中的主动学习（AL），针对误差分歧方法依赖标签与分类器参数、使用深度神经网络贪心估计误差计算开销较大的问题，提出基于分布而非误差的分歧系数，并以 Lorentzian 焦点表征支持双曲空间中的样本选择。 核心机制是从平方 Lorentzian 距离导出焦点，用于表征非球形分布，替代常见的欧氏、核化及 Poincaré 质心表征，并结合树状性划分（tree-likeliness splitting）。作者报告，新分歧系数可给出更紧的标签复杂度界，并进一步为双曲空间中的泛化提供保证；具体理论假设、界的形式及适用范围尚未验证。 作者报告，在不同深度 AL 任务中，该表征优于典型质心表征、误差分歧方法及基于先进神经网络架构的 AL 对照，并加快学习过程。摘要未提供任务名称、数据集、标注预算、采样协议、指标数值或计算成本，因此无法量化优势，也不能区分学习加速主要体现为标注效率还是运行时间；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 分类样本在所学表征中具有可利用的非球形或树状结构，分布分歧可能成为有限标注预算下选择样本的一种机制。可复用部分是分歧度量与焦点表征，需改造 EEG 特征到双曲空间的映射及采样流程；低信噪比、跨被试差异与通道变化可能使几何差异主要反映噪声而非类别信息，小数据下分布估计也可能不稳定。一个可检验的假设是：在固定 EEG 编码器、同一被试内数据划分和相同标注预算下，该方法相对随机采样及误差分歧采样能改善独立测试集的 Balanced Accuracy—标注预算曲线。此为迁移假设，并非本文已验证结果；已有 EEG 相关工作尚未检索确认。