卷积神经网络的有效版本空间缩减

基于摘要分析。本文研究卷积神经网络主动学习中的采样偏差问题，以版本空间缩减为框架分析查询策略，并提出基于直径的 minimum Gibbs-vote disagreement 方法。主要研究对象是图像分类中的主动学习，而非 EEG 或 BCI。 版本空间指与已有标注相容的候选假设集合。作者指出，许多神经网络主动学习方法不显式考虑假设空间，采样偏差可能导致一致性问题，妨碍找到最优假设。论文考察 prior mass reduction 与 diameter reduction 两类策略之间的联系，并通过估计版本空间直径和偏差，分析神经网络版本空间的演化及可实现性假设。摘要未给出直径、偏差及 Gibbs-vote disagreement 的具体估计公式或实现方式。 作者报告，在 MNIST、Fashion-MNIST、SVHN 和 STL-10 上，直径缩减方法比先验质量缩减方法及其他基线更有效地缩减版本空间，且表现更好；Gibbs vote disagreement 与最佳查询方法表现相当。摘要未提供指标数值、标注预算、数据划分或基线细节，因此无法判断收益幅度与适用条件。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若用于 EEG 主动学习，其潜在对应点是有限标注预算下的查询偏差，以及候选分类器对未标注试次的分歧。可考虑复用查询策略和版本空间诊断思路，但需核对原方法对候选假设采样、监督标签及计算规模的依赖，并改造 EEG 输入表示与分类器。低信噪比、通道差异和跨被试分布变化可能使模型分歧更多反映噪声，而非有价值的标注信息；小样本条件下的版本空间估计也可能不稳定。一个可检验的小实验是在固定被试内训练池、独立测试集和相同标注预算下，与随机采样及不确定性采样比较学习曲线，检验直径变化是否对应测试性能改善。已有 EEG 相关工作尚未检索确认。