ISA：实例空间分析的三维扩展

基于摘要分析。本文研究如何评估算法测试集的多样性与代表性，将 Instance Space Analysis（ISA，实例空间分析）从二维扩展至三维，并提出新的算法组合适用区域（portfolio footprints）识别算法，以更清晰地呈现不同算法的优势与弱点。 原有 ISA 使用二维投影展示测试实例，但随着特征与比较算法增多，可能丢失有用信息并造成可视空间拥挤。本文通过三维表示保留更多信息，同时寻找使线性趋势最大化的旋转，以维持可视化的可解释性。新增的 footprints 识别方法适用于二维和三维实例空间；摘要称其更稳健、可靠，但具体定义、实现步骤与比较依据尚未验证。 案例研究的主要对象是无监督异常检测算法，重点考察归一化技术变化下的性能。作者报告，三维分析识别出了此前被认为表现较弱的算法所具有的优势区域。摘要未提供数据集、归一化方法、性能指标、划分协议或定量结果，因此无法判断优势幅度与适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该方法可能用于分析 EEG 评估集是否覆盖不同信号质量、被试或通道条件，以及算法优势是否依赖这些条件，而非直接改进 EEG 解码。迁移假设依赖于能够定义有意义的实例特征，并获得同一协议下各算法的性能记录；可复用的是空间可视化与适用区域识别，需改造的是 EEG 实例单位、特征与性能判据。低信噪比、小样本及被试间差异可能使区域边界不稳定。一个可检验的小实验是在固定 Cross-subject 划分下，以被试或会话为实例，对比二维与三维表示的信息保留和适用区域稳定性，并用留出的实例检查区域是否对应算法优势。已有 EEG 相关工作尚未检索确认。