基于稀疏表示的无监督特征选择方法

基于摘要分析。本文研究无监督特征选择，提出基于稀疏表示理论的特征评分方法 Sparsity Score（SS），用于评估特征重要性；原始实验对象是人脸数据，而非 EEG 或 BCI。 机制与对照：作者认为，稀疏表示过程使 SS 同时具备 Variance Score（VS）的全局性质、Laplacian Score（LS）的局部性质以及判别性。摘要未给出稀疏表示的构造方式、特征评分公式、优化目标或超参数，因此尚不能确认这些性质如何实现，也不能将“判别性”理解为使用了类别标签监督。 结果与证据边界：作者报告，在 Yale、ORL 和 CMU PIE 三个人脸数据集上，SS 能有效评估特征重要性，且显著优于 VS 和 LS。摘要未提供评价指标、数据划分、特征保留数量或具体数值；实验协议、消融及统计信息尚未验证，因而无法据此判断优势幅度或稳定性。 平台推测（待验证）：若 SS 可用于样本—特征矩阵，其稀疏表示评分机制可能用于筛选 EEG 的通道或时频特征，以检验能否减少冗余输入；这不代表原论文已验证 EEG 效果。可复用部分是特征评分与排序思路，需改造或核对的是 EEG 特征构造、归一化、稀疏表示参数及跨被试评估。低信噪比、通道差异和小样本可能使稀疏关系不稳定。一个可证伪的小实验是在固定跨被试划分及相同分类器、特征数量下，比较 SS、VS、LS，所有评分和参数选择仅使用训练数据，观察测试性能及所选特征稳定性。相关 EEG 工作尚未检索确认。