面向 EEG 分类的多任务特征学习与鲁棒张量分解

基于摘要分析。该研究面向训练样本有限、输入可组织为多维张量的 EEG 分类问题，提出正则化张量多任务学习（MTL）方法，联合进行特征选择与分类，并利用相关任务间的共享结构改善泛化。 在特征选择阶段，方法采用 Fisher 判别准则选择具有判别力的特征，同时控制类内非平稳性。在分类阶段，每个任务的回归张量被分解为共享张量与任务特定张量的线性组合，以兼顾任务共性和差异。作者对共享张量采用 scaled latent trace norm 正则化，对任务特定张量采用 ℓ₁ 范数正则化，构成复合张量范数。其机制可理解为以低秩约束刻画共享结构、以稀疏约束刻画任务特定结构；具体张量维度、组合系数及正则化配置尚未验证。 作者提出基于交替方向乘子法（ADMM）的优化算法，求解判别特征与多任务分类的联合学习问题，并称其计算高效。相较仅利用共享结构的建模思路，这一方法的关注点在于同时保留任务特定信息，并将判别性特征选择纳入统一学习过程；各部分的独立贡献仍需查看消融实验。 作者报告，在真实 EEG 数据集上的实验优于所比较的当时先进方法。摘要未提供数据集名称、任务类别、被试数量、评价指标或数值，也未说明任务是否对应被试、会话或其他划分，因此不能将该结论直接解释为跨被试或跨会话优势。实验协议、消融及统计信息尚未验证。 复现时需核对 EEG 的张量构造、任务定义、Fisher 准则的具体实现、正则化参数选择及 ADMM 的更新与停止条件，并确认训练与测试划分及对照方法是否处于相同协议。共享结构假设能否适应任务间差异，以及稀疏任务特定结构在低信噪比和小样本条件下的稳定性，是值得进一步检验的问题。