通过协同嵌入学习进行无监督特征选择

基于摘要分析。本文研究通用无监督特征选择，针对图嵌入提取低维表示时可能因空间变换而扭曲原始特征的问题，提出协同图嵌入模型，将原空间的特征加权与低维空间的潜在图结构学习联合起来；摘要未涉及 EEG 或 BCI 验证。 核心机制包括两部分：软阈值学习用于获得特征加权的阈值选择矩阵，低维嵌入学习用于提取表示并揭示潜在图结构。二者通过协同学习，使模型同时完成原空间中的无监督特征选择，以及借助双重嵌入实现的自适应图学习。其方法价值在于不只依赖低维表示选择特征，而是保留原空间的显式特征加权；具体目标函数、约束、优化步骤与计算开销尚未验证。 作者报告，在五个基准数据集上，该方法相较八种竞争方法取得更优表现。摘要未提供数据集名称、评价指标、具体数值或划分协议，因此无法判断优势幅度及适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 已被转换为样本×特征矩阵，可假设原空间特征加权与自适应图学习的协同机制有助于筛选冗余特征，但其效果依赖样本间图结构是否具有任务意义。可复用部分是特征加权与图学习框架，需适配特征归一化、图构建及跨被试分布差异；低信噪比、通道变化和小样本可能使图结构主要反映噪声或被试身份。可在固定的跨被试划分中，仅用训练数据拟合特征选择器，以相同特征预算和下游分类器比较完整模型、单独特征加权及不做选择的表现，检验协同机制的增益。相关 EEG 工作尚未检索确认。