探索极端多标签分类中树式线性模型的空间效率

基于摘要分析。本文研究极端多标签分类（XMC）中树式线性模型的存储空间问题，通过稀疏数据假设下的理论与实证分析，提出仅存储非零权重及训练前估计模型大小的思路，帮助判断是否有必要采用可能损害性能的权重剪枝。 核心机制是：树节点上的二元分类器在训练时可能不使用部分特征，使对应权重为零；因此，模型的实际存储需求不应仅按完整权重向量估算，而可利用非零元素存储降低空间开销。论文主要针对文本数据中常见的稀疏特征条件，并非状态空间模型或神经信号建模研究。 作者报告，在多标签文本分类实验中，树模型的存储大小可低于标准 one-vs-rest 方法的 10%。这一数字属于摘要所述实验条件，不能视为所有树模型或数据上的普遍保证；具体数据集、数据划分、对照实现、存储计量方式及分类性能尚未验证。 另一项贡献是在训练任何树节点分类器之前估计树模型大小的简单流程：若预计空间已可接受，就可能避免为节省存储而修改模型。摘要未提供估计公式、适用边界及估计误差，实验协议、消融及统计信息尚未验证，复现需取得全文核对。 该研究依赖高维稀疏特征与大标签空间，不能直接等同于常见的 EEG 分类设置。材料未提供 EEG/BCI 实验或明确的机制对应关系，因此不据此提出迁移效果或复现实验建议；已有 EEG 相关工作尚未检索确认。