通过稀疏表示利用样本相关性的标签增强

基于摘要分析。本文研究如何将已有的逻辑标签转换为表达各标签描述强度的标签分布，使原本只有单标签或多标签标注的数据能够用于标签分布学习（LDL）。作者提出 Label Enhancement with sample correlations via Sparse Representation（LE-SR），通过稀疏表示捕捉样本的全局关系，并推断隐含的标签相关性，实现标签增强（LE）。 方法的主要切入点是利用样本之间的关系恢复更丰富的标签描述，而非仅使用原始离散标注。摘要未披露稀疏表示的具体目标函数、约束、样本关系向标签分布的映射方式，以及训练和推理流程，因此尚不能确定其计算代价与对数据规模的依赖。 作者报告，在十三个真实世界数据集上的实验中，LE-SR 相比若干现有 LE 算法具有明显优势。摘要未提供数据集名称、划分方式、评价指标、具体数值或基线名称；实验协议、消融及统计信息尚未验证，不能据此量化提升幅度。 平台推测（待验证）：若 EEG 任务中的离散标签未能充分表达样本的混合状态，LE-SR 的样本关系建模可能为软标签构造提供思路。可复用的是稀疏关系估计与标签增强思路，需改造的是 EEG 特征表示及关系构建方式。低信噪比、跨被试差异、通道配置变化和小数据可能使样本相似性主要反映噪声或个体特征。一个可检验的小实验是在固定 EEG 特征与分类器、相同数据划分下，对比原始标签训练与仅在训练集内进行 LE-SR 标签增强的效果，并分别考察被试内和跨被试表现。已有 EEG 相关工作尚未检索确认。