RoBoSS：用于监督学习的鲁棒、有界、稀疏且平滑的损失函数

基于摘要分析。本文主要研究通用监督学习中损失函数对异常值及高维数据的适应问题，提出鲁棒、有界、稀疏且平滑的 RoBoSS 损失，并将其引入 SVM，构建 L_RoBoSS-SVM；EEG 是其应用验证之一，而非论文唯一研究对象。 方法与理论：作者围绕新损失讨论分类校准性质及泛化能力。摘要未提供损失公式、稀疏性的具体含义、优化算法或理论成立条件，因此尚不能核对有界性如何限制异常样本影响、平滑性如何作用于训练，以及这些性质是否带来优化上的权衡。 实验与结果：作者在 KEEL 和 UCI 仓库的 88 个基准数据集上评估方法，并使用刻意加入异常值和标签噪声的数据检验鲁棒性；另在一个 EEG 信号数据集和 BreaKHis 乳腺癌数据集上开展生物医学应用验证。作者报告其数值结果在泛化表现及训练时间方面优于对照，但摘要未给出具体指标、分数、基线和数据划分。EEG 数据集名称、任务、被试数，以及是否采用被试内、跨被试或跨会话协议尚未验证；实验协议、消融及统计信息也尚未验证。 平台推测（待验证）：假设 RoBoSS 能限制异常样本对分类目标的影响，其机制可能对应 EEG 伪迹或错误标签导致的训练不稳定。可优先复用损失与 SVM 框架，EEG 特征提取、归一化及验证划分仍需按任务设置；低信噪比下真实少数类样本也可能被视为异常，限制样本影响不等于解决被试或通道分布偏移。一个可检验的小实验是在固定 EEG 特征和相同调参预算下，对比 RoBoSS-SVM 与常规 SVM，在训练集逐步加入标签噪声，保持测试集不变并采用被试隔离划分，检查分类表现和训练时间是否稳定改善。其他已有 EEG 相关工作尚未检索确认。