基于小波变换判别表征增强的不确定性引导标签校正

基于摘要分析。研究针对闭集与开放集标签噪声混合出现时的鲁棒学习问题，提出 Ultra，将可学习小波滤波、双重不确定性估计与标签校正结合，以改善噪声识别并利用开放集噪声样本。原研究对象是通用标签噪声学习，并非 EEG 或 BCI。 机制上，Ultra 首先在表征层面使用可学习小波滤波器，提取判别特征并自动过滤虚假线索；随后在受污染的监督信号层面，通过双重不确定性估计定位噪声，再据此进行标签校正。相较于假设单一噪声来源、简化闭集噪声或直接丢弃开放集噪声的做法，作者强调两类噪声应区别处理，并主张开放集噪声经特定处理后仍可利用。摘要未说明两种不确定性的定义、小波操作的具体对象，以及标签校正和开放集样本利用的实现方式。 作者报告，在合成混合噪声、网络噪声污染及真实世界数据集上的实验支持 Ultra 的有效性与通用性，并称其有助于在标签噪声条件下使用 supervised contrastive learning 等技术。摘要未提供数据集名称、划分、噪声比例、对照方法或量化指标；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 分类数据同时包含目标类别间错标与目标类别之外的混入样本，Ultra 的分层噪声识别与校正思路可能具有参考价值，但原领域有效不等于 BCI 有效。可复用候选是表征滤波与不确定性驱动的校正流程；需确认小波滤波是否适用于 EEG 编码器的表征，并改造开放集样本的处理方式。低信噪比、被试差异、通道变化及小数据可能使不确定性反映正常生理变异，而非标签错误。一个可检验的小实验是在固定被试内划分与相同 EEG 编码器下，注入已知闭集错标及来自预先定义的非目标类别样本，比较基础训练、仅标签校正与完整 Ultra 的噪声识别和分类表现。已有 EEG 相关工作尚未检索确认。