用于单次批量主动学习的核范数差异度（Nuclear Discrepancy）

基于摘要分析。本文研究单次批量主动学习：在尚未观察到任何标签时，从未标注样本池中一次性选出全部待标注样本，以较少标注获得较好的预测模型。作者从通过最小化泛化界选择代表性样本的方法出发，提出 nuclear discrepancy（ND），关注泛化界所依赖的假设是否比界本身的紧致性更影响选样效果。 理论上，作者证明 discrepancy 相比 maximum mean discrepancy（MMD）相关方法提供更紧的最坏情况界；进一步对这些界进行概率分析，并提出 ND。作者指出，在乐观的概率假设下，ND 对期望损失给出更紧的界。摘要未提供 ND 的具体公式、假设细节及选样优化过程，尚不能据此还原算法实现。 作者报告，在其均方误差评估中，MMD 主动学习方法优于 discrepancy，表明更紧的最坏情况界不必然对应更好的主动学习表现；在 realizable setting（可实现设定）下，ND 方法显著优于 MMD 与 discrepancy，在 agnostic setting 下也观察到类似趋势。摘要未列出数据集、标注预算、数据划分、效应量或显著性检验细节，实验协议、消融及统计信息尚未验证。材料提供了复现实验代码入口，但代码内容与运行条件尚未核验。 平台推测（待验证）：其机制可能对应 EEG 中先选择片段、再集中获取标签的标注预算问题，而不是直接改进解码器。可复用的是基于未标注样本分布进行批量选样的思路；需改造 EEG 特征表示及样本间相似性度量。低信噪比、相邻片段相关性与跨被试差异可能使分布代表性偏离任务信息量，小数据下概率假设也可能不成立。一个可检验的假设是：在固定 EEG 数据划分、相同标注预算与相同下游模型下，ND 相比随机选样、MMD 和 discrepancy 能改善预先指定的任务指标；应重复选样并报告不确定性。已有 EEG 相关工作尚未检索确认。