追求完美投影：面向深度学习的投影寻踪框架

基于摘要分析。本文研究高维空间中距离区分度减弱等维数灾难问题，提出 deep projection pursuit（DPP），将参数化曲面上的投影集成与神经网络结合，以扩展传统投影寻踪的表示能力和任务适用范围。 作者将传统投影寻踪的局限概括为仅考虑向直线投影，且无偏函数估计依赖样本量。DPP 的核心思路是使用多个参数化曲面承载投影，再结合神经网络完成学习任务。摘要未说明曲面的具体参数化方式、投影求解过程、集成策略、损失函数及训练方式，因此尚不能判断这些模块如何共同缓解上述限制。 作者报告通过学习主成分曲线、使用可解释模型完成监督任务，以及在投影空间中保持群性质，展示该框架的用途。摘要未提供数据集、样本规模、对照基线或定量指标，实验协议、消融及统计信息尚未验证；群性质的具体定义与保持条件也需查阅正文。 平台推测（待验证）：若 EEG 特征存在可由低维非线性曲面表达的结构，DPP 的曲面投影模块可能用于检验高维距离失真是否影响表示学习，但原领域结果不等于 BCI 有效性。可复用部分是曲面投影与任务网络的组合思路；输入特征、曲面容量及正则化需要适配 EEG。低信噪比、跨被试分布变化、通道差异与小样本均可能导致投影拟合噪声。一个可检验的小实验是在固定 EEG 特征和一致的跨被试划分下，对比 DPP 与线性降维结合相同下游分类器的表现，并仅在训练数据上拟合投影。已有 EEG 相关工作尚未检索确认。