通过联合个性化稀疏哈希学习二进制表示

基于摘要分析。本文研究无监督二进制表示学习：如何在将高维特征编码到 Hamming 空间、降低存储与检索成本的同时，减少外观特征相似但语义不同造成的混淆。作者提出 Jointly Personalized Sparse Hashing（JPSH），联合簇特异表示与基于流形的哈希学习，用于相似性搜索。 核心模块 Personalized Sparse Hashing（PSH）为不同簇构建个性化子空间，以反映簇特异属性，并将同簇实例映射到相同的 Hamming 空间；通过对子空间施加稀疏约束选择重要特征，同时利用其他簇的信息抑制过拟合。这里的“个性化”指面向不同数据簇，并非面向不同被试。JPSH 将 PSH 与基于流形的哈希学习纳入统一目标，旨在区分不同簇并保留簇内局部邻域结构，采用交替优化迭代求取解析解。具体目标函数、稀疏约束形式及跨簇信息利用方式尚未验证。 作者报告，在四个基准数据集的相似性搜索实验中，JPSH 优于若干先进无监督哈希算法。摘要未提供数据集名称、数据划分、哈希码长度、评价指标或具体增益，实验协议、消融及统计信息尚未验证。其方法依赖输入特征、聚类结构及邻域关系，但不应将簇结构直接等同于真实语义标签。 平台推测（待验证）：若 EEG 特征中存在稳定的任务相关簇，簇特异稀疏映射与邻域保持的组合或可用于紧凑表示和相似片段检索；可复用的是哈希学习框架，需要改造的是 EEG 特征、距离度量与聚类策略。低信噪比、通道差异及跨被试偏移可能使聚类主要反映伪迹或被试身份，小数据下子空间估计也可能不稳定。可先在固定 EEG 数据划分下，仅用训练集拟合预处理、聚类与哈希映射，在相同码长和检索指标下比较 JPSH 与仅保留流形哈希的版本，检验簇特异模块是否改善任务相关检索。已有 EEG 相关工作尚未检索确认。