用于正例–未标注分类的鲁棒 AUC 最大化框架：同时进行异常样本检测与特征选择

基于摘要分析。该研究面向正例–未标注（Positive-Unlabeled，PU）分类：训练数据只有少量已标注正例和大量可能混合正负类别的未标注样本。作者提出统一结合 AUC 最大化、异常样本检测和特征选择的鲁棒学习框架，以应对负例占多数、标签错误及特征损坏，并提供泛化误差界和应用验证。 机制上，作者将 AUC 最大化用于处理标签偏倚，将异常样本检测用于排除错误标签，将特征选择用于排除受损特征。摘要未给出具体目标函数、三部分的耦合方式、优化算法或样本与特征的筛选规则，因此尚不能判断其如何区分真实困难样本与标注异常，也不能核实特征选择的稳定性。 理论方面，作者报告泛化误差界，并据此提出训练指导：纳入的未标注样本量与训练正例数相当时即可满足其分析所述的充分性要求。该结论依赖的分布、标注机制及其他理论条件尚未验证，不能据此泛化为所有 PU 任务都无需更多未标注数据。 实验方面，作者报告进行了经验比较，并在手术部位感染（SSI）和 EEG 癫痫发作检测两个真实应用中验证方法有效性。摘要未提供数据集、被试数、正例标注比例、类别分布、被试内或跨被试划分、对照基线及具体指标数值；实验协议、消融及统计信息尚未验证。EEG 癫痫发作检测是文中明确的应用，但不能等同于已验证 BCI 解码效果。 复现时需核对 PU 数据构造和正例标注机制、异常样本与特征筛选是否仅使用训练数据、EEG 特征表示及划分单位，以及未标注样本量结论的适用条件。代码、超参数与实现细节在当前材料中尚未验证。