通过语义空间与特征空间协同开展噪声标签学习

基于摘要分析。本文研究分类任务中的噪声标签学习，提出 Dual-Space Collaborative Learning（DSCL），利用语义空间与特征空间的互补信息改进可靠样本选择，并缓解单一空间选择偏差导致的噪声积累。原研究对象是通用分类中的错误标注问题，摘要未提供 EEG 或 BCI 实验。 核心机制包含两个模块：协同选择模块结合全局原型与高置信度语义预测，降低仅依赖特征空间局部近邻的风险；协同正则化模块通过语义空间与特征空间之间的双向调整，抑制样本选择偏差。相较于摘要所述的局部近邻选择方法，其主要区别是引入全局原型及双空间协同，而非仅依据单一空间的局部结构。语义空间的具体定义、原型构建方式、置信度阈值、损失形式及训练流程尚未验证。 作者报告，DSCL 在所开展的实验中优于多种基线，但摘要未给出数据集、噪声类型与比例、划分协议、指标或具体分数，不能据此量化优势或判断其适用边界。摘要提供了源码地址；代码可运行性、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 分类训练集存在错误类别标注，双空间协同可能用于筛选可靠试次。该假设依赖类别原型和高置信度预测能够提供互补信息；可复用的是样本选择与正则化思路，需适配 EEG 特征提取及原型更新。低信噪比、跨被试分布差异、通道配置变化和小样本可能使原型失真或错误预测相互强化。一个可检验的小实验是在固定被试内划分与同一 EEG 编码器下，仅对训练标签注入已知比例的噪声，比较单空间选择与双空间协同的样本选择准确率及测试集 Accuracy，并保持测试标签不变。已有 EEG 相关工作尚未检索确认。