随机特征表示提升

基于摘要分析。本文研究如何利用 boosting 理论构建深层残差随机特征神经网络（RFNNs），提出 Random Feature Representation Boosting（RFRBoost）：在每一层利用随机特征学习网络表示的函数梯度，旨在改善表示能力，同时保留 RFNNs 的凸优化优势。 机制上，该方法采用贪心逐层 boosting 构建随机特征残差模块。对于 MSE 损失，作者给出逐层优化的闭式解；对于一般损失函数，作者将随机特征残差模块的拟合归约为带二次约束的最小二乘问题。其主要研究对象是通用表格数据的回归与分类，而非神经信号解码。 作者报告，在 91 个表格数据集的回归和分类实验中，RFRBoost 显著优于传统 RFNNs 与端到端训练的 MLP ResNets，并具有计算优势及源于 boosting 理论的理论保证。摘要未提供具体指标、数据划分、计算资源或理论保证的适用条件，实验协议、消融及统计信息尚未验证，不能据此判断优势幅度或公平对照条件。 平台推测（待验证）：其逐层优化机制可作为小数据 EEG 分类的候选表示学习方法，但原实验依赖表格特征与任务损失，尚未验证对 EEG 时序结构、低信噪比及跨被试分布变化的适应性。可复用随机特征残差模块和逐层求解流程，输入端需明确采用固定 EEG 特征还是另行设计时空表示。一个可证伪的小实验是：固定同一组 EEG 特征、Cross-subject 划分和调参预算，对比 RFRBoost、传统 RFNNs 与 MLP ResNets 的 Balanced Accuracy、训练耗时及多随机种子波动；重点检验随机特征是否放大噪声或被试差异。已有 EEG 相关工作尚未检索确认。