用于数据表示的非尖峰判别分析

基于摘要分析。本文研究数据表示中判别分析对强离群值的鲁棒性，提出 Nonpeaked Discriminant Analysis（NPDA），以 cutting L1-norm（截断 L1 范数）作为距离度量，试图改善既有 L1 鲁棒判别分析的特征提取能力；原研究对象是通用数据表示，并非 EEG 或 BCI。 核心机制是通过截断 L1 距离限制强离群值的影响。作者将该距离表述为两个特定凸函数之差，据此设计迭代优化算法，并给出算法收敛的理论证明。摘要未提供截断函数、阈值选择、完整判别目标及更新公式，因此收敛结论的具体条件与保证范围尚未验证。 作者报告在多个真实数据集上进行了实验，以验证方法的理论认识与有效性；摘要未列出数据集名称、数据划分、对照方法、评价指标或具体数值，尚不能据此量化其相对既有 L1 方法的优势。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 特征中存在少量幅度异常且与类别无关的离群样本，截断距离可能有助于稳定监督判别投影。这一假设依赖类别标签及适合判别分析的特征表示；可复用的是鲁棒距离与优化思路，需改造的是 EEG 特征构造、尺度归一化和截断阈值选择。低信噪比、跨被试分布变化及小样本可能使离群值与有效少数类信号难以区分，通道异常也未必能由样本级截断充分处理。一个可证伪的小实验是在固定 EEG 特征与被试内划分下，仅向训练集加入可控离群污染，对照 NPDA 与 L1 判别分析在干净测试集上的性能变化，阈值仅由训练集内部验证选择。已有 EEG 相关工作尚未检索确认。