LLP-GAN：一种用于标签比例学习的 GAN 算法

基于摘要分析。本文研究标签比例学习（Learning from Label Proportions，LLP）：训练时仅提供分组样本的包级类别比例，而不提供实例级标签，目标仍是完成实例级分类。作者提出端到端算法 LLP-GAN，利用生成对抗网络（GAN）的对抗学习机制处理这种弱监督问题，并通过对判别器进行少量修改得到最终分类器。 机制与理论：包级比例比实例标签提供的判别信息更有限，如何从中学习有效表征是本文的核心问题。作者称，LLP-GAN 的对抗近似不施加受限的分布假设，并在温和假设下给出显式生成表示及全局最优性证明；理论假设的具体内容、比例监督如何进入训练目标，以及判别器的修改方式均需查阅全文核对，不能据摘要视为无条件保证。 实验依据：作者报告，在基准数据集和一个真实应用上的实验显示该方法相较既有方法具有优势，并强调其继承深度模型的可扩展性。摘要未列出数据集名称、任务规模、划分协议、比较基线或指标数值，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能对应仅能获得一组 EEG 片段类别比例、而难以获得逐片段标签的弱监督场景，但前提是包级比例真实可得且具有足够辨识信息；它并不能直接解决完全无标签的分类问题。可复用的是比例监督与对抗学习框架，需改造信号编码器及分组方式。低信噪比、跨被试差异、小样本下的对抗训练不稳定，以及各包比例过于相近，都可能使迁移失败。一个可检验的小实验是在固定被试内划分下隐藏训练片段标签，仅保留由其汇总的包级比例，与比例约束分类基线比较，并改变包大小和包间比例差异；实例标签仅用于构造监督和独立评估，不输入弱监督模型。已有 EEG 相关工作尚未检索确认。