Half-Space Mass：一种具有最大稳健性且高效的数据深度方法

基于摘要分析。本文研究如何以从中心向外的排序刻画数据分布，同时兼顾数据深度估计的稳健性与计算效率，提出对 half-space data depth 的改进方法 Half-Space Mass，并将其用于异常检测和聚类；主要研究对象是通用统计方法，而非 EEG 或 BCI。 理论机制方面，作者报告四项性质：无论底层密度分布如何，所得质量分布均为凹；最大值点唯一，可视为中位数；该中位数具有最大稳健性；估计方法可扩展到数据集凸包体积为零的更高维空间。“最大稳健性”的形式化定义、适用条件及证明细节尚未验证。作者还声称，据其所知，该方法是唯一同时具备稳健性与效率的数据深度方法；此为作者主张，不能据摘要独立确认。 应用方面，作者报告，以该位置估计量构建的异常检测器比 half-space depth 具有更好的检测准确性，运行速度比同样具有最大稳健性的 L_2 depth 快多个数量级；其 Half-Space Mass 版本的 K-means 克服了 K-means 的三项弱点。摘要未提供数据集、划分、具体指标、计时条件或三项弱点的内容，实验协议、消融及统计信息尚未验证，亦无法确认复现所需的估计流程、参数与实现。 平台推测（待验证）：若其稳健位置估计机制适用于受异常样本污染的 EEG 特征分布，可考虑用于特征空间中的异常筛查，而非直接替代时序解码模型。该假设依赖特征表示及参考样本分布具有可比性；可复用的是稳健排序或位置估计思想，需改造的是 EEG 特征提取、归一化及阈值校准。低信噪比、小样本、高维特征和跨被试分布偏移可能使正常样本被误判。一个可证伪的小实验是固定被试内特征与训练／测试划分，仅向训练参考集注入不同比例的异常样本，对比 Half-Space Mass、half-space depth 与 L_2 depth 的检测表现和运行时间。此建议不属于论文已验证结果，已有 EEG 相关工作尚未检索确认。