用于凸通用学习机的概率密度排序量化

基于摘要分析。本文针对凸通用学习机（CULMs）在复杂系统建模中因非线性映射层维度较大而产生的计算成本问题，提出 Probability density Rank-based Quantization（PRQ），通过按估计概率密度排序并选取数据子集，构建用于降低计算复杂度的码本。 PRQ 先估计数据的概率密度，再按密度排序，从排序序列中等间隔选取元素。作者将其应用于 kernel ridge regression（KRR）和 random Fourier feature recursive least squares（RFF-RLS），并借助 kd-tree 降低计算成本。作者称，该方法能够保持码本与原数据集的分布相似性，对给定数据集产生确定性的量化结果，同时排除离群点、避免码本中边界样本过多。摘要未交代密度估计方式、码本规模选择及其在两种算法中的具体接入方式。 作者报告，在若干真实世界基准数据集上，PRQ 相较部分先进方法取得了令人满意的表现；但摘要未提供数据集名称、划分协议、对照方法、具体指标或计算耗时，尚不能量化其性能与成本收益。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 回归任务采用 KRR 或 RFF-RLS，PRQ 的代表性样本选取机制可能有助于压缩码本；这是假设，并非已验证的 BCI 效果。可复用密度排序与选样流程，但需适配 EEG 特征尺度及非平稳分布。低信噪比、高维通道特征和跨被试差异可能使密度估计失真，低密度但有任务价值的样本也可能被误排除。一个小规模检验是在固定 EEG 回归划分、相同码本规模下，对比 PRQ 与随机选样的预测误差、运行时间和结果稳定性。已有 EEG 相关工作尚未检索确认。