Hybrid LSH：高维空间中更快的近邻报告

基于摘要分析。本文研究高维点集中的 r-near neighbors reporting（r-NN）问题，即报告给定查询点半径 r 内的所有点，而非仅返回固定数量的最近邻。核心贡献是将 locality-sensitive hashing（LSH，局部敏感哈希）搜索与线性搜索结合，依据每次查询的估计计算代价选择搜索策略。 传统 LSH 的表现受数据分布、查询及参数配置影响；当数据具有不同的局部密度模式时，不合适的参数可能使其慢于线性扫描。论文在 LSH 哈希表中集成辅助数据结构，以估计给定查询的 LSH 搜索成本，再决定采用 LSH 搜索还是线性搜索。作者称该辅助结构具有时间效率，并可与多种已有 LSH 方法结合；具体成本估计公式、切换准则、空间开销及返回结果的完整性保证尚未验证。 作者报告，在真实世界数据集、不同搜索半径及数据分布条件下，混合搜索优于或接近单独的 LSH 搜索与线性搜索。摘要未提供数据集名称、规模、具体指标或数值，因此无法判断加速幅度及适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 研究流程需要在固定维度的信号特征或嵌入库中执行半径邻域检索，该查询级策略选择机制可能复用，但这不等于已验证的 BCI 解码改进。迁移依赖明确的距离度量、半径和足够大的检索库，需适配特征归一化及索引更新；低信噪比、跨被试分布变化、通道差异或小数据规模可能使邻域失去意义，或使成本估计开销抵消收益。可在同一 EEG 特征库和相同查询条件下，对照混合策略、固定 LSH 与线性搜索，核对返回结果一致性、查询耗时及索引开销。已有 EEG 相关工作尚未检索确认。