通过梯度空间聚类实现离群点鲁棒的群体推断

基于摘要分析。本文研究机器学习中的少数群体性能问题：如何在存在离群点、且不依赖群体标注的条件下推断数据群体，为改善最差群体性能提供支持。核心方法是在模型参数的梯度空间中聚类，而非直接依据原始输入识别群体。 作者认为，梯度空间中的数据结构更简单，同时保留了少数群体与离群点的信息，因此可使用 DBSCAN 等标准聚类方法进行群体推断。其关键思路是同时处理群体标注获取困难与离群点干扰，避免将少数群体和异常样本混为一谈。摘要未交代梯度的具体计算方式、基础模型、聚类参数或群体推断结果如何接入下游训练，这些机制细节尚未验证。 作者报告，在所开展的实验中，该方法在群体识别及下游最差群体性能两方面均显著优于所比较的先进方法。但摘要未提供数据集、划分、对照方法、指标定义、具体数值及显著性检验信息，实验协议、消融及统计信息尚未验证，不能据此判断优势的适用范围。 平台推测（待验证）：若 EEG 解码误差中的潜在子群结构能在梯度空间中显现，该机制可能用于探索少数样本群体与伪迹离群点的区分。可复用梯度表征与聚类思路，但需针对 EEG 解码器、梯度尺度及噪声分布改造；低信噪比、通道差异、被试差异与小数据可能使聚类主要反映噪声或个体身份，而非有意义的性能群体。一个可检验的小实验是在固定被试内数据划分下，仅对训练集注入受控伪迹，比较梯度空间与原始特征空间聚类区分预设少数条件和离群点的能力，再评估相同下游训练流程的最差群体表现。该迁移假设并非论文已验证结论，相关 EEG 工作尚未检索确认。