基于新型样本点加权框架与低秩表示的无监督超图特征选择

基于摘要分析。该研究面向高维数据的无监督特征选择，针对现有框架将所有样本点等同处理、忽略其结构表征能力差异的问题，提出结合样本点加权、软超图与低秩表示的方法，在没有标签的条件下兼顾局部关系和全局结构。 机制上，作者提出低复杂度软超图来建模数据，并将特征选择表述为同时保持局部关系与全局结构的优化问题；根据样本点对数据结构的贡献及表征能力赋予不同重要性。低秩表示用于增强对噪声与离群点的鲁棒性，作者还给出求解该优化问题的高效算法。摘要未提供权重计算方式、超图构造细节、目标函数及具体求解步骤。 作者报告，在多个基准数据集、采用多种评价方法的实验中，该方法优于所比较的先进特征选择方法，且算法计算成本低于其中许多方法。摘要未列出数据集名称、数据划分、对照方法、评价指标或数值，无法据此判断收益大小及适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移机制是利用样本间结构和重要性差异进行无标签特征筛选，可能对应 EEG 高维特征冗余与异常试次影响的问题。假设可复用软超图建模和低秩表示，但需适配 EEG 特征尺度、距离度量及跨被试分布差异；低信噪比、小样本和通道差异可能使邻域结构不稳定，样本加权也可能压低少见但有效试次的贡献。一个可证伪的小实验是在固定被试内划分下，仅用训练集拟合特征选择器，在相同特征数和下游分类器条件下，与等权重版本比较测试集表现，并考察加入噪声或离群试次后的变化。已有 EEG 相关工作尚未检索确认。