极端多标签数据流中输出空间的在线层次划分

基于摘要分析。该研究面向极端多标签数据流中的高维稀疏标签、标签依赖及概念漂移问题，提出 iHOMER（Incremental Hierarchy Of Multi-label Classifiers），通过增量划分标签空间和动态重构层级，适应标签相关性与不平衡程度随时间的变化。 机制上，iHOMER 不依赖预定义层级，而是使用基于 Jaccard 相似度的在线分裂—凝聚聚类，将标签划分为互不重叠且具有相关性的簇；同时采用由多元 Bernoulli 过程驱动的全局树学习器，引导样本划分。框架在全局与局部层面集成漂移检测，以触发标签分区和子树的动态调整。其主要研究对象是通用在线多标签分类，并非 EEG 或 BCI 解码。 作者报告，在 23 个真实数据集上，iHOMER 相较 5 个全局基线（包括 MLHAT、MLHT of Pruned Sets、iSOUPT）提升 23%，相较 12 个局部基线（包括 kNN、EFDT、ARF 的 binary relevance 变换及 ADWIN bagging/boosting 集成）提升 32%。摘要未说明这些提升对应的指标、汇总方式或具体流式评估协议，因此不能将其解释为 Accuracy 的百分点提升，也不能据此确定各数据集上的一致收益。 复现时需核对标签聚类的更新规则、层级重构触发条件、漂移检测配置，以及计算和存储开销；数据集构成、实验协议、消融及统计信息尚未验证。平台推测（待验证）：只有在 EEG 任务确实具有高维多标签输出、持续到达的监督信息及变化的标签依赖时，该机制才可能具有对应价值；常见单标签运动想象分类并不直接满足这一前提。已有 EEG 相关工作尚未检索确认。