块状缺失与信号异质性下的表示学习

基于摘要分析。本文研究多源数据整合中块状缺失与块状信号异质性并存时的统一表示学习，提出 Anchor Projected Principal Component Analysis（APPCA）。其主要研究对象是具有不同、但可能重叠的特征集合的多源数据，应用验证涉及多模态单细胞测序，并非 EEG 或 BCI。 块状缺失来自不同数据源观测不同特征集合；信号异质性则指样本群体及特征集合之间的信号强度差异。APPCA 先利用所有已观测特征集合恢复各群体的列空间，再将共享的 anchor 特征投影到相应子空间，借此完成对齐并进行 PCA。作者认为该投影步骤具有显著去噪作用；摘要未提供量化幅度。 理论上，作者通过细粒度扰动分析给出嵌入重建的估计误差界，并引入 spectral slicing 技术。作者报告，该误差界消除了通常对样本嵌入信号强度的依赖，转而仅依赖整合后特征集合的信号强度；其成立条件及具体界形式仍需核对正文。作者使用模拟研究与多模态单细胞测序数据进行验证，但摘要未给出数据规模、对照方法或具体指标，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 数据因采集配置不同而形成通道块状缺失，且不同被试群体仍有可对应的共享特征，APPCA 的子空间恢复与 anchor 投影可能提供一种整合思路。该假设依赖足够的共享信息及低秩结构，需改造 EEG 特征构建与通道对应方式；低信噪比、共享通道过少、跨被试空间模式差异及小样本子空间估计不稳均可能导致失败。可在固定 EEG 数据划分下人为遮蔽通道块，并改变群体间信号强度，比较 APPCA 与不含 anchor 投影的对照在表示重建及固定下游任务上的表现。相关 EEG 工作尚未检索确认，这一实验建议不代表已有 BCI 有效性证据。