通过 Leading Tree 度量空间选择中心与分散样本用于半监督学习

基于摘要分析。研究针对半监督学习（SSL）中已标注数据的分布影响模型性能的问题，提出无监督构建 leading forest，并在其形成的度量空间中联合选择中心与分散样本，以替代随机选择及类别间均等分配标注配额的策略。 核心机制是利用模糊隶属函数刻画中心与分散样本，再通过 fuzzy Xor 逻辑选择两类样本，使标注配额能够在不同类别间自适应分配。摘要未给出 leading forest 的构建细节、隶属函数及选择规则的数学形式，也未解释在选择阶段未知标签时如何实现类别间配额分配，这些实现条件尚需正文核对。该策略与 kernelized large margin component analysis 结合后形成半监督分类模型；leading forest 的多粒度结构还用于支持多个局部度量的学习，以处理 SSL 中的 multimodal 问题。此处不宜直接将 multimodal 理解为多传感器模态融合。 作者报告，该确定性标注策略可改善多数 SSL 方法的性能，所提方法相较最先进方法具有有竞争力的效率和较好的分类准确性。摘要未提供数据集、划分方式、标注预算、具体基线及量化指标，因此无法判断提升幅度或跨任务稳定性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 试次可在固定特征空间中形成有意义的局部结构，该样本选择机制可能用于有限标注预算下的试次挑选。可复用的是无监督结构构建与中心／分散样本联合选择；需改造的是 EEG 特征、距离定义及按被试或会话组织候选池的方式。低信噪比和伪迹可能使分散样本成为异常点，被试差异、通道变化及小数据也可能导致树结构不稳定。一个可证伪的小实验是在固定被试内划分和相同标注预算下，以仅含训练候选样本的特征池比较该策略与随机选择，保持后续 SSL 分类器一致，并重复评估分类性能及波动。已有 EEG 相关工作尚未检索确认，原领域结果不能视为 BCI 有效性的证据。