多类别主动学习中对偶空间未标注支持向量的先发现后排序方法

基于摘要分析。该研究针对多类别主动学习（AL）的样本选择问题，利用稀疏核最大间隔预测器的对偶空间性质，先发现潜在支持向量，再对候选样本排序，以平衡探索未知区域与细化当前决策边界。 核心机制是理论分析对偶形式下 hinge loss 的变化，并给出与对偶空间几何性质相关的上下界，据此识别不同类型的重要样本。方法以对偶变量与核函数求值的仿射组合形成类别级证据，构造两类互补采样函数：发现函数关注所有类别总证据较低的样本，用于探索；排序函数利用当前决策边界识别类别冲突较强的区域，用于进一步调整边界。两者被自动组织为先发现、后排序的两阶段采样过程；阶段转换规则、具体函数及理论成立条件尚未验证。 作者报告，在多个真实世界数据上的实验取得了 SOTA 主动学习表现。摘要未提供数据集名称、标注预算、划分协议、对照方法或指标数值，因此无法核对优势幅度及适用范围；实验协议、消融及统计信息尚未验证。复现需取得完整采样公式、核与稀疏性设置、初始化和阶段切换规则，以及标注预算与评估协议。 平台推测（待验证）：其潜在 EEG 对应问题是有限标注预算下的多类别样本选择，而不是直接进行神经信号建模。迁移假设依赖可形成有意义核相似度的 EEG 特征、未标注候选池，以及逐轮获取真实标签的条件。可复用类别证据与两阶段选择机制，需改造 EEG 表征及核函数。低信噪比、通道差异和被试差异可能使低证据样本主要对应伪迹或域偏移，小数据下的边界冲突也可能不稳定。一个可检验的小实验是在固定被试内 EEG 划分、初始标签量和总标注预算下，与随机采样及不确定性采样比较 Accuracy 随预算变化的曲线，并核查被选样本是否集中于伪迹。已有 EEG 相关工作尚未检索确认。