利用解耦表征学习的偏置感知布尔矩阵分解

基于摘要分析。本文研究布尔矩阵分解（BMF）中行、列信号分布异质性造成的背景偏置，提出 Disentangled Representation Learning for Binary matrices（DRLB），通过双自编码器网络分离背景偏置与潜在二值模式，并与既有 BMF 方法结合。 核心机制：传统 BMF 将二值矩阵表示为两个低秩布尔矩阵的布尔乘积及同方差随机误差。本文改将数据生成过程表述为二值模式矩阵、受行或列异质分布影响的背景偏置矩阵，以及随机翻转误差三部分的布尔和。其主要贡献是显式建模背景偏置，避免将行列分布差异直接解释为目标模式；双自编码器的具体结构、损失、可辨识性约束及与 BMF 的连接方式尚未验证。 结果与证据：作者报告，在合成数据与真实数据实验中，DRLB 提高了传统 BMF 方法的 precision，并具有较高可扩展性；在合成数据上，识别出的偏置矩阵能够反映内在偏置，在真实数据上，偏置校正后的模式具有更好的可解释性。摘要未提供具体数据集、划分、对照方法、指标定义或数值，实验协议、消融及统计信息尚未验证，不能据此判断收益幅度与适用边界。 平台推测（待验证）：其可能对应 EEG 分析中二值事件矩阵或二值连接矩阵的通道、试次背景发生率差异，而非直接处理连续 EEG 波形。可复用的是模式与背景偏置分离思路；需改造并核对二值化规则、矩阵行列含义及时间依赖。假设某些行列分布差异主要来自非任务背景，偏置校正可能改善模式恢复；但低信噪比、小样本及跨被试通道差异可能使真实任务信号被误归为偏置。可先在具有已知模式和可控行列偏置的模拟二值矩阵上，对比同一 BMF 方法接入 DRLB 前后的模式恢复与误删情况，再评估 EEG 数据。已有 EEG 相关工作尚未检索确认。