覆盖近似空间的扩展及其在属性约简中的应用

基于摘要分析。本文研究覆盖近似空间的扩展及覆盖决策系统中的属性约简，核心贡献是引入覆盖的补概念，据此定义补空间与扩展空间，并利用覆盖扩展构造保持决策分类能力的启发式约简算法。其主要研究对象是覆盖近似与决策系统，并非状态空间模型或 BCI 信号建模。 理论机制方面，作者证明：当覆盖退化为划分时，原覆盖近似空间、补空间与扩展空间产生相同的覆盖下近似和上近似。对于一般覆盖，作者指出扩展空间往往能够产生更大的下近似或更小的上近似。算法据此扩展覆盖决策系统中的各个覆盖，以改善其分类能力，再删除部分覆盖，同时不降低系统对决策的分类能力。这里的分类能力属于覆盖决策系统的性质，不能直接等同于分类器的 Accuracy。 作者报告，理论分析与示例说明该算法能够比其他算法获得更短的约简；摘要未提供比较算法名称、约简规模、真实数据集或预测性能结果，因此尚不能判断这一优势的适用范围。覆盖扩展的具体构造、启发式搜索准则、计算复杂度、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 特征及决策标签能够构成覆盖决策系统，该约简机制可能用于筛选冗余特征，但需要明确连续特征如何生成覆盖，以及理论分类能力是否对应未见被试上的预测表现。可复用的是覆盖扩展与约简准则，需改造的是 EEG 特征到覆盖的映射；低信噪比、跨被试分布变化及小样本可能使覆盖关系不稳定。一个可检验的小实验是在固定的 Cross-subject 划分内，仅用训练集构造覆盖和执行约简，对比扩展前后的特征数与同一分类器的 Balanced Accuracy，并核对约简稳定性。已有 EEG 相关工作尚未检索确认。