检索中的多群体比例代表性

基于摘要分析。本文研究图像搜索与检索中的群体代表性问题，提出 Multi-Group Proportional Representation（MPR）指标，用于衡量由多个属性组合定义的交叉群体在检索结果中的比例代表性，并提供估计方法、理论保证与相应优化算法。研究对象是检索中的社会群体代表性，而非 EEG 表征学习或 BCI 解码。 现有方法通常依据少量、往往为二元的属性平衡各群体的检索数量，可能忽略性别、种族、族裔等属性组合形成的交叉群体。本文的核心思路是通过丰富的函数类刻画多个交叉群体，使代表性评估与优化不局限于少数预设属性。摘要未给出 MPR 的具体数学定义、参照分布、函数类构造方式及估计算法细节，因此其适用条件与计算成本尚未验证。 作者报告，优化已有的均等代表性或比例代表性指标，仍可能无法促进 MPR；在文中检索评估条件下，优化 MPR 能改善多个交叉群体的比例代表性，且通常只需较小的检索准确性代价。摘要未提供数据集、划分、对照方法名称、准确性指标定义或具体数值，实验协议、消融及统计信息尚未验证。作者提供了代码链接，但实现内容与复现条件尚未核查。 平台推测（待验证）：若 EEG 研究包含相似样本检索或训练样本选择，且具有可靠的被试属性与明确的目标比例，MPR 或可作为样本构成的审计约束，而不能直接视为提高解码性能的方法。可复用部分是代表性度量及检索优化思路；需改造 EEG 相似性度量、群体定义与参照分布。低信噪比可能使检索相关性不稳定，交叉群体样本稀疏、被试及通道差异也可能放大估计误差。一个可检验的小实验是在固定跨被试划分与检索预算下，对比无约束检索和 MPR 约束检索，分别评估交叉群体代表性与下游解码 Accuracy，不将代表性改善等同于解码改善。已有 EEG 相关工作尚未检索确认。