基于相似与不相似数据的在线二分类

基于摘要分析。本文研究仅利用样本对是否属于同一类别的监督信息，如何在数据依次到达时训练二分类器。作者将 similar-dissimilar（SD）分类的无偏风险估计适配到在线学习，并提出两种基于间隔准则控制更新的方法；作者称这是对在线 SD 分类问题的首次探索。 机制上，similar 表示两个样本属于同一类别，dissimilar 表示属于不同类别，并非一般意义上的特征距离相近或相远。作者首先在无偏风险估计中加入保守正则项，形成基础在线方法；随后根据间隔准则与接收到的代价决定是否更新分类器，并分别采用线性缩放代价和二次缩放代价构造两种改进方法。摘要未给出具体目标函数、代价定义、更新公式及理论成立的假设条件。 作者报告推导了所提方法的遗憾、错误次数及相对损失界，并在多个数据集上进行了有效性验证。摘要未提供数据集名称、序列构造、对照方法、评价指标或具体数值；实验协议、消融及统计信息尚未验证，不能据此判断其在非平稳数据上的表现。 平台推测（待验证）：若 EEG 任务能够获得可靠的样本对同类／异类关系，该机制可能用于标签受限条件下的在线二分类。可复用部分是成对监督风险估计与间隔触发更新；需改造或核对 EEG 特征表示、配对策略及类别方向的确定方式。低信噪比、跨被试或跨会话漂移，以及少量数据下配对信息不足，都可能削弱更新稳定性。一个可检验的小实验是在固定 EEG 表征上按时间顺序输入成对监督，在相同配对预算下比较基础方法与两种改进方法的在线错误及更新次数，并改变配对噪声水平检验稳健性。已有 EEG 相关工作尚未检索确认。