对缺失数据进行非均匀加权的快速矩阵分解

基于摘要分析。本文研究高维稀疏数据矩阵中的低秩结构学习与缺失条目预测，针对缺失条目采用统一权重会降低建模保真度的问题，提出支持非均匀缺失权重的快速矩阵分解（MF）学习方法。主要研究对象是推荐任务，而非 EEG 或 BCI。 核心机制是对权重矩阵进行截断奇异值分解，以紧凑表示权重，再通过逐元素交替最小二乘（eALS）学习 MF 参数，并缓存关键中间变量以避免重复计算。作者称该框架允许任意缺失权重策略，学习时间复杂度由观测条目数量而非矩阵整体大小决定；权重压缩阶数、近似误差及其对计算成本的影响尚待正文核对。 作者报告，在两个推荐基准上的实验支持 fast eALS 的正确性、效率与有效性。摘要未提供基准名称、数据划分、对照方法或具体指标，因此无法量化收益，也不能判断不同稀疏程度和权重策略下的稳健性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移价值主要在于非均匀权重下的高效低秩优化，而非把未观测条目视为负信号的推荐假设。若将其用于 EEG 缺失通道或时段的重建，需要重新定义通道×时间等矩阵结构及缺失权重，并核对低秩假设；EEG 缺失值不天然表示负样本。可复用的是权重压缩、eALS 与缓存机制，需改造的是信号矩阵构造、权重语义和重建目标。低信噪比、跨被试差异、小样本及非随机通道缺失均可能使低秩重建失真。一个可证伪的小实验是在被试内留出完整 EEG 片段，人工遮蔽通道或时段，在相同数据划分与计算预算下比较统一权重和预先确定的非均匀权重，检验重建误差及下游任务表现是否改善。已有 EEG 相关工作尚未检索确认。