多群体比例代表性

基于摘要分析。本文研究图像搜索与检索中的群体代表性问题，提出 Multi-Group Proportional Representation（MPR）指标，用于衡量由性别、种族、族裔等属性组合形成的交叉群体是否得到符合比例的呈现，并提供估计方法、理论保证及检索优化算法。 现有方法通常围绕少量、往往为二元的属性平衡检索结果中的群体数量，可能忽略多个属性交叉后形成的群体。本文的机制重点是通过丰富函数类指定多个交叉群体，而非仅检查单一属性下的均等或比例代表性。摘要未给出 MPR 的数学定义、比例参照分布、函数类形式及优化细节。 作者报告，优化现有均等与比例代表性指标的方法仍可能无法促进 MPR；在文中检索评估中，优化 MPR 能使多个交叉群体获得更符合比例的代表性，且通常仅需较小的检索准确性代价。摘要未提供数据集、基线名称、划分方式或具体数值，实验协议、消融及统计信息尚未验证，不能据此量化收益或判断适用边界。 平台推测（待验证）：若 EEG 数据集具备可靠的人口属性、被试及采集条件元数据，可假设将 MPR 用于检查训练子集选择中的交叉群体覆盖，而非直接提升解码性能。可复用部分是群体刻画与代表性约束；需改造的是目标比例、子集选择目标及神经信号任务的效用指标。小样本交叉群体、属性缺失，以及被试或通道差异与群体属性混杂，都可能使估计不稳定；群体覆盖改善也不等于低信噪比信号的解码改善。一个可检验的小实验是在固定跨被试划分和训练样本预算下，比较常规抽样与 MPR 约束抽样的交叉群体覆盖及解码 Balanced Accuracy，并分别报告群体结果与不确定性。已有 EEG 相关工作尚未检索确认。