用于有效模式分类的自适应模板重构

基于摘要分析。本文研究有限或含噪训练数据条件下的模式分类，提出一种基于实例的自适应模板重构算法，并在图像与 EEG 时间序列上评估其适用性。核心贡献是依据特征空间中的分布，在每次分类时变换查询数据和训练模板，以改善类别分离与匹配。 方法机制：模板重构是作者强调的主要创新，目标是在训练样本有限时改善分类表现。摘要未给出分布估计、重构算子、特征提取、匹配规则及计算开销，尚不能据此判断其与其他基于实例算法的具体差异，也不能将其直接归类为域适应或测试时自适应。 图像评估：作者使用 FASHION-MNIST 和 CIFAR-10 的少量训练样本进行测试，并报告相较于使用完整数据集的先进方法，平均分类表现改善 2～3%。摘要未明确该数值对应的指标、相对百分比还是百分点，也未提供训练子集规模和具体对照方法；双方训练数据量不同，需结合完整协议解读，不能直接视为同条件优势或已验证的 SOTA 结果。 EEG 评估：作者使用一套临床级 64 电极 EEG 数据库，以及一套由低成本单干电极系统采集的高噪声 EEG 数据库，检验算法处理非平稳时间序列的能力。作者报告，自适应重构改善了类别分离与匹配表现，并认为其适合训练数据有限的含噪非平稳数据。摘要未说明 EEG 任务、数据库名称、被试数、特征、被试内或跨被试划分及定量指标，因此不能据此推断具体 BCI 任务效果，也不能认定两套数据库之间进行了跨数据集评估。 复现时需核对重构所依赖的数据范围、特征预处理、训练样本选择、对照算法配置及 EEG 划分协议。实验协议、消融及统计信息尚未验证，代码可用性也尚未验证。