通过快速最优传输嵌入类别层级以学习结构化表征

基于摘要分析。本文研究如何在监督学习中将标签的类别层级知识嵌入特征表征，提出以 Earth Mover's Distance（EMD）衡量类间分布距离，替代既有 Cophenetic Correlation Coefficient（CPCC）正则化中的类均值欧氏距离，并构建快速近似的 Optimal Transport-CPCC（OT-CPCC）方法族。 既有 CPCC 方法将特征空间中各类均值的两两欧氏距离，与标签层级树上的对应最短路径距离对齐。其潜在局限是：当类条件分布具有多模态结构时，均值未必能充分代表整个类别。本文保留 CPCC 框架，但改用 EMD 表达类间距离。作者报告，精确 EMD 方法推广了先前方法，并在特征空间中的类条件分布为高斯分布时恢复既有算法；该结论的具体假设与推导尚待全文核对。 为降低计算成本，作者提出四种 EMD 近似变体。作者报告，其中最高效的 OT-CPCC 变体相对于数据集规模具有线性时间复杂度，并在所评估的数据集和任务上保持有竞争力的表现。摘要未提供数据集名称、指标、数值、基线配置或复杂度分析的其他条件，因此尚不能量化其收益；实验协议、消融及统计信息尚未验证。材料提供了代码仓库，但实现细节与复现条件尚未核验。 平台推测（待验证）：若 EEG 分类任务具有事先定义且合理的标签层级，并且类别在特征空间呈多模态分布，分布级层级约束可能比类均值约束更适合保留类内异质性。可复用部分是 OT-CPCC 正则化机制，需改造或核对 EEG 编码器、层级定义及距离估计方式。低信噪比、通道差异、被试差异和小样本可能使估计距离主要反映噪声或个体差异。可检验的小实验是在固定编码器与相同跨被试划分下，对比无层级正则、原 CPCC 与 OT-CPCC，检查分类表现及计算开销；这不构成已证实的 BCI 效果，已有 EEG 相关工作尚未检索确认。