用于改进数据表示与语义的无监督特征构造

基于摘要分析。本文研究通用机器学习中原始特征表达不足、变换后的特征又难以理解的问题，提出两种无监督特征构造算法，以原始特征或其否定的逻辑合取生成可解释的新特征；研究对象并非 EEG 或 BCI。 核心机制是把基础属性组合成具有语义的条件，例如 sky ∧ ¬building ∧ panorama 可表达非城市场景，比单个对象是否出现提供更丰富的描述。方法借助 Pareto 最优性，在总相关性（total correlation）与生成特征集的复杂度之间进行权衡，并利用统计假设检验自动确定数据依赖的构造参数。摘要未提供两种算法的具体搜索策略、复杂度定义及参数检验细节。 作者报告，在多个数据集的实验中，所构造的特征集具有信息性，能够降低特征间相关性并捕获部分样本间的潜在关系。摘要未列出数据集名称、划分、对照方法或量化结果，因此不能判断相对于原始特征或其他表示学习方法的收益幅度；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可作为 EEG 可解释特征组合的候选思路，但依赖可作逻辑判定的原始属性，不能直接套用于连续波形。若用于 EEG，需先定义频带功率等属性的离散化规则，再复用逻辑合取与多目标权衡机制；低信噪比可能使阈值判定不稳定，跨被试差异及通道变化可能破坏组合语义，小数据则可能导致组合搜索过拟合。一个可检验的小实验是在固定跨被试划分下，仅用训练集确定离散化与组合规则，比较原始属性和构造属性在相同分类器下的 Balanced Accuracy、特征复杂度及跨被试稳定性。已有 EEG 相关工作尚未检索确认。