低空间开销的流式 Kernel PCA 算法

基于摘要分析。本文研究大规模数据下 Kernel PCA 的内存开销问题，提出基于传统 Oja 方案的流式算法，目标是在降低存储需求的同时保持主成分估计准确性；原研究对象是通用非线性降维，而非 EEG 或 BCI。 核心机制与理论条件：算法结合流式处理与核方法，利用核方法刻画数据点之间的非线性关系。作者报告，当目标协方差矩阵的谱比 R:=λ₁/λ₂ 满足 Ω(log n·log d) 时，流式 PCA 可达到线性空间开销。摘要未明确 n、d 的定义、线性空间相对于哪些变量计量，以及核表示如何计算和存储，这些需要正文核对。作者将其与通常因矩阵—向量乘法而需要二次空间的标准 PCA 实现对比；该表述不能外推为所有 PCA 实现均有二次存储需求。 证据边界：摘要主要提供条件性理论结论，未给出具体准确性指标或实测内存结果。核函数、初始化、数据假设、成功概率、误差界与运行时间尚未验证，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 窗口特征具有可利用的非线性结构，且其协方差谱满足相关条件，该方法可能用于内存受限的在线特征压缩。可复用部分是流式更新思路；需改造或核对的部分包括 EEG 特征与核函数选择、窗口处理及非平稳数据下的更新策略。低信噪比、跨被试分布变化、通道变化及小样本估计误差可能削弱谱分离，使理论条件不成立。一个可检验的小实验是在固定被试内、按时间顺序划分的 EEG 特征流上，与普通流式 PCA 和批量 Kernel PCA 比较峰值内存及主成分估计误差，并同时检查谱比条件。已有 EEG 相关工作尚未检索确认，该建议不代表已证实的 BCI 效果。