结构化分层表示学习：迈向通过遗传编程实现深度学习

基于摘要分析。本文研究如何利用遗传编程（GP）从大规模、高维原始数据中学习表示，提出结构化分层 GP 框架及相应的搜索空间探索方案，并以该框架下实现的 autoencoder 作为实验案例。 核心机制是借鉴深度神经网络逐层学习描述性或判别性表示的思路，为 GP 引入分层表示结构。作者将其与既有主要面向少量输入变量、小规模数据，或依赖领域专家知识的 GP 特征学习工作相对照，目标是扩大 GP 表示学习可处理的数据规模与维度。摘要未说明层间连接、程序编码、遗传操作、适应度函数及 autoencoder 的具体训练目标，不能据此将其等同于常规深度网络的训练过程。 作者报告，autoencoder 案例的实验结果支持该框架的益处，但摘要未提供数据集、划分协议、基线、评价指标或数值，因而尚不能判断表示质量、搜索效率和计算成本的具体改善幅度；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若分层 GP 能学习可组合的特征变换，可能用于探索 EEG 高维输入的特征构造，但原论文并未验证 EEG/BCI 效果，相关已有工作尚未检索确认。可复用的是分层表示与程序搜索思路；需改造输入组织、适应度评价及复杂度约束，以适应 EEG 的时空结构和小样本条件。低信噪比、跨被试差异及通道变化可能使搜索过拟合。一个可证伪的小实验是在固定 EEG 数据划分与相同下游分类器下，对比分层 GP、非分层 GP 和常规特征表示，同时记录泛化性能与搜索开销，并将全部特征搜索限制在训练数据内。