动态特征空间中的重复概念挖掘

基于摘要分析。本文研究数据流分类中，特征集合及其相关性随时间变化、且历史概念可能再次出现时的持续学习问题，提出 MReC-DFS，在复用历史模型的同时，通过增量特征选择降低模型存储的内存开销。 机制上，MReC-DFS 利用学习过程的性能与上下文信息检测并适应概念变化，以动态加权集成组合已存储模型来处理重复概念，并通过增量特征选择缩减组合后的特征空间，仅保留与已学习概念最相关的特征。作者还提出动态确定相关与不相关特征分界阈值的增量方法；摘要未给出阈值计算、模型权重更新及变化检测的具体形式。 作者报告，在多种真实数据集上的实验中，MReC-DFS 相较当时先进方法具有较高分类准确性和更优内存效率。摘要未列明数据集、对照方法、划分协议、具体指标数值或内存测量口径，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 数据流中存在可重复的状态变化，且通道或派生特征的可用性、相关性发生变化，该机制可能对应历史解码器复用与特征管理问题。此假设依赖带监督反馈的数据流、可识别的上下文及可跨阶段对齐的特征表示；摘要未说明这些条件的具体要求。动态加权集成与增量筛选可作为候选模块，但需改造 EEG 特征对齐和反馈更新流程。低信噪比、跨被试差异、通道缺失及小样本可能使变化检测失准，或使历史模型产生负迁移。可在单一 EEG 数据集内按时间顺序构造通道可用性变化及先前状态重现的小规模实验，比较完整机制、禁用历史模型复用和禁用特征筛选时的分类表现、峰值内存与更新时间；该实验仅用于检验迁移假设。已有 EEG 相关工作尚未检索确认。