极端多标签数据流中输出空间的在线层次划分

基于摘要分析。本文研究极端多标签数据流中的在线分类问题，重点处理高维稀疏标签、标签依赖以及随时间变化的分布与标签相关性，提出 iHOMER（Incremental Hierarchy Of Multi-label Classifiers），在不依赖预定义层次结构的情况下增量构建标签划分。 机制上，iHOMER 使用基于 Jaccard 相似度的在线分裂—凝聚聚类，将标签空间划分为互不重叠、簇内相关的标签簇，并使用由多变量 Bernoulli 过程驱动的全局树学习器引导实例划分。框架在全局和局部层面引入漂移检测，以动态重构标签分区和子树。其方法重点是同时适应输出空间结构与数据流变化，而非仅将各标签拆成独立预测任务；具体更新规则、检测器和计算开销尚未验证。 作者报告，在 23 个真实世界数据集上，iHOMER 相对 5 个全局基线（包括 MLHAT、MLHT of Pruned Sets、iSOUPT）的性能提升为 23%，相对 12 个局部基线（包括基于 kNN、EFDT、ARF 及 ADWIN bagging/boosting 集成的 binary relevance 方法）的提升为 32%。摘要未明确这些增幅对应的指标、汇总方式及评估协议，因此不能解释为 Accuracy 的百分点提升。数据集构成、时间顺序划分、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 在线任务确实具有多个可共现标签，且标签共现关系随时间变化，动态标签分簇与双层漂移检测可能具有迁移价值。该假设依赖持续可用的标签反馈和足够的标签共现样本；需改造 EEG 特征输入与反馈时序，低信噪比、稀有标签和跨被试差异可能使相关性估计不稳定。可在具有真实多标签标注的 EEG 流上，固定特征与时间顺序评估协议，对比独立标签学习、固定层次和动态层次，并核对预测质量、重构频率与延迟。已有 EEG 相关工作尚未检索确认；本文摘要不构成 BCI 有效性的证据。