利用解耦表示学习的偏差感知布尔矩阵分解

基于摘要分析。本文研究布尔矩阵分解（BMF）中异质行列分布造成的背景偏差，提出 Disentangled Representation Learning for Binary matrices（DRLB），利用双自编码器分离目标二值模式与背景偏差，并与既有 BMF 方法结合。原论文面向通用二值矩阵分析，应用背景包括推荐系统、图学习、文本挖掘与组学数据分析，并非直接研究 EEG 或 BCI。 传统 BMF 将二值矩阵表示为两个低秩布尔矩阵的布尔乘积，并考虑同方差随机误差。本文改将数据生成过程描述为二值模式矩阵、受行或列异质分布影响的背景偏差矩阵，以及随机翻转误差三者的布尔和。其核心机制是通过解耦表示学习，避免将背景分布差异混入待提取模式；具体损失函数、可辨识性约束及与 BMF 的衔接流程尚未验证。 作者报告，在合成与真实数据实验中，DRLB 提高了传统 BMF 方法的精确性并具有较高可扩展性；在合成数据中，所识别的偏差矩阵能够反映生成偏差，在真实数据中，偏差校正后的模式更具可解释性。摘要未提供数据集名称、划分、基线细节、指标定义或数值，不能将这里的精确性直接等同于 Accuracy 或其他具体指标；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 已被转换为“试次×二值特征”等矩阵，行列事件率差异可能与本文背景偏差建模形成对应，但这依赖二值化后仍保留任务信息，且背景差异可与有效神经信号分离。可复用的是偏差分离与 BMF 衔接思路，需改造二值化方式及通道、被试结构的表达。低信噪比、小样本或任务信息与被试差异纠缠时，可能误删有效模式。一个可证伪的小实验是在固定二值化与数据划分下，注入已知行列偏差，对照原始 BMF 与 DRLB+BMF 的模式恢复及下游任务表现。相关 EEG 工作尚未检索确认。