使用 banded ridge regression 进行特征空间选择

基于摘要分析；当前材料仅提供研究要点，未取得论文全文。该研究讨论如何在联合编码模型中整合多个特征空间，并使用 banded ridge regression 为各特征空间分别优化正则化。作者报告，联合使用多个特征空间可提高预测准确性，且联合模型的解释方差可以分解到各特征空间。 方法的关键是将正则化控制落实到特征空间，而不是仅以统一设置处理全部特征。作者指出，这一机制包含隐式的特征空间选择，并可通过随机搜索或梯度下降求解。材料未给出具体目标函数、选择机制的数学形式、解释方差分解定义及优化细节，尚不能判断相关贡献如何处理特征空间之间的信息重叠。 当前材料未明确研究数据的模态、样本规模、特征构建方式、数据划分、对照基线及量化指标，因此作者报告的准确性提升不能直接解释为 EEG 或 BCI 性能提升。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 编码任务中存在多个预先定义、时间对齐的候选特征空间，分空间正则化可能用于调节不同特征组的贡献；可复用的是联合回归与分组正则化思路，需要按 EEG 的时间结构和通道组织改造输入及验证流程。低信噪比、特征组高度相关和小样本可能使空间选择与贡献解释不稳定，跨被试泛化也不能由原材料推断。一个可检验的小实验是在相同数据划分下，比较单特征空间模型、统一正则化的联合 ridge regression 与 banded ridge regression，检查预测表现和特征空间选择的稳定性。已有 EEG 相关工作尚未检索确认。