用于改进数据表示与语义的无监督特征构造

该研究针对原始属性不足以描述数据、而自动学习的新特征又难以解释的问题，提出两种无监督特征构造算法，以原始属性及其否定的合取形成可供人理解的新属性。基于摘要分析，作者报告在多个数据集上构造出了具有信息量的特征集，但摘要未提供具体数据集、评估协议或数值结果。 核心机制是将原始属性组合为逻辑表达式，例如 sky ∧ ¬building ∧ panorama，用以表达比单个对象存在或缺失更完整的语义。作者报告，生成的特征集降低了特征间相关性，并捕捉到数据实例之间的部分隐藏关系。方法使用 Pareto 最优性评价特征集，在总相关性与所得特征集复杂度之间寻求平衡；同时借助统计假设检验，自动确定构造数据依赖特征集所需的参数。两种算法的具体差异、候选合取的搜索方式、复杂度定义及统计检验细节尚未验证。 平台推测（待验证）：这一机制可用于探索已有可解释离散属性的 EEG 表示，假设是逻辑合取能揭示单一属性难以表达的联合状态。其依赖可组合、可取否定且具有稳定语义的属性；连续 EEG 不能直接等同于此类输入。可复用的是合取构造与多目标特征集选择思路，需要改造的是信号到离散属性的映射。低信噪比、跨被试差异、通道变化及小数据下的不稳定离散化，都可能使合取特征稀疏或失去语义。 一个可检验的小实验是在固定 EEG 任务中，仅用训练集确定属性离散化和构造规则，在相同划分、分类器及特征预算下，对比原始属性与构造属性的预测表现和重采样稳定性。此为迁移假设，并非论文已验证的 BCI 结果；已有 EEG 相关工作尚未检索确认。原论文的实验协议、对照、消融及统计信息尚未验证。