用于连续核空间在线核选择的假设草图方法

基于摘要分析。本文研究连续核空间中的在线核选择，提出 hypothesis sketching（假设草图）方法，旨在避免单轮计算成本随历史轮数线性增长，同时为连续候选核的选择提供次线性遗憾保证。原研究对象是通用在线核学习，并非 EEG 或 BCI。 方法在时变再生核希尔伯特空间中维护基函数的正交性与假设草图的预测准确性：先利用高效的依赖性判定条件，在计算预算内维护草图基函数，再通过带补偿策略的在线梯度下降，最小化草图的瞬时损失，更新权重与核选择。摘要未给出依赖性判定、补偿项、核参数化及预算设置的具体形式。 作者报告，在凸损失条件下，该方法具有 O(√T) 的遗憾界，其中 T 为在线学习轮数，并称该阶数最优；单轮计算复杂度相对于 T 从线性降至常数。这不等于计算成本与预算、输入维度或其他参数均无关，具体依赖关系需核对全文。作者报告实验提升了计算效率，同时保持相近的预测准确率，但摘要未提供数据集、对照方法、具体数值及统计信息，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 在线解码可表述为具有凸损失、且反馈标签可用的核学习问题，该机制可能用于控制历史数据累积带来的计算开销。可复用的是预算化草图维护与在线更新思路，需改造的是 EEG 特征、核参数及标签反馈流程；低信噪比、跨被试分布变化和小样本可能使受限基函数难以保留有效判别信息。一个可检验的小实验是在固定被试内时序划分与标签反馈协议下，对照固定核在线学习，记录相同计算预算下的单轮耗时、内存与 Accuracy，再检验核选择是否带来稳定收益。已有 EEG 相关工作尚未检索确认。