随机特征表示提升

基于摘要分析。本文研究如何利用 boosting 理论构建深层残差随机特征神经网络（RFNNs），提出 Random Feature Representation Boosting（RFRBoost），目标是在增强表示能力的同时保留 RFNNs 的凸优化优势；主要研究对象是表格数据回归与分类，而非 EEG 或 BCI。 核心机制是在各层使用随机特征学习网络表示的函数梯度，通过贪心逐层方式拟合残差模块。对于 MSE 损失，作者给出逐层 boosting 的闭式解；对于一般损失，作者将随机特征残差块的拟合归约为二次约束最小二乘问题。其方法特点是对网络表示进行 boosting，而非依赖端到端训练完成全部表示更新。 作者报告，在 RFNNs 通常适用的小至中等规模表格数据回归与分类实验中，RFRBoost 显著优于 RFNNs 和端到端训练的 MLP ResNets，并具有计算收益及源自 boosting 理论的理论保证。摘要未提供具体数据集、划分、指标、效应量或运行成本，实验协议、消融及统计信息尚未验证；理论保证的假设与适用范围也需查阅全文。 平台推测（待验证）：若 EEG 的固定维特征可构成表格输入，逐层残差拟合可能为小样本监督学习提供一种替代端到端优化的路径，但原领域结果不等于 BCI 有效。可复用随机特征映射和逐层求解模块，需改造 EEG 特征提取、归一化与任务输出；低信噪比、通道差异及跨被试分布变化可能使残差更新拟合噪声。一个可证伪的小实验是在同一 EEG 任务、固定特征与固定 Cross-subject 划分下，对照 RFRBoost、RFNNs 和 MLP ResNets，核对预测指标及训练成本是否同时改善。已有相关 EEG 工作尚未检索确认。