TRIO：面向自动算法选择优化的任务无关数据集表征

基于摘要分析。该研究针对给定数据集、任务与评价指标下的自动算法选择问题，提出任务无关的数据集表征方法，并据此构建元学习方法 TRIO，为未见数据集推荐表现较优的算法。其主要研究对象是通用机器学习数据集的表征与算法推荐，而非 EEG 解码或 BCI。 机制上，TRIO 先将数据集转换为图表示，再利用图卷积网络提取潜在表征。作者指出，既有方法采用预定义数据集特征时可能难以推广至不同任务，而依赖监督方式学习表征的方法难以覆盖无监督任务；TRIO 旨在同时服务分类、回归与聚类。摘要未说明图的节点与边如何定义、表征训练的监督来源、优化目标，以及潜在表征如何用于算法推荐，这些实现条件尚未验证。 作者报告，在覆盖 337 个数据集、195 种机器学习算法的评估中，TRIO 在监督任务（分类、回归）和无监督任务（聚类）的算法选择上优于所比较的当时先进方法。摘要未提供具体指标、提升幅度、对照方法名称或元训练与测试数据集的划分；实验协议、消融及统计信息尚未验证，不能据此判断跨任务泛化幅度。 平台推测（待验证）：若其图构建方式能够保留 EEG 数据集的统计结构，这类数据集级表征或可用于辅助选择解码算法，而不是直接替代信号解码器。可复用方向是图表征与元学习推荐流程；需改造的是 EEG 时序、通道及被试结构的编码方式，并积累统一协议下的候选算法表现记录。低信噪比、通道差异、小数据及被试差异可能使表征偏向采集条件而非算法适配性。一个可检验的小实验是在固定解码任务、评价指标与数据划分后，以留出数据集进行算法推荐，对比 TRIO 式表征与预定义统计特征的推荐效果。已有 EEG 相关工作尚未检索确认。