用于半监督学习的输入空间与权重空间平滑

基于摘要分析。本文研究半监督学习中的经验损失正则化，将已有的输入空间平滑与基于 min-max（对抗）优化的权重空间平滑相结合，提出 Adversarial Block Coordinate Descent（ABCD）算法。主要研究对象是通用半监督学习，而非 EEG 或 BCI。 其核心机制是在同一 mini-batch 中，随机选取一部分权重，以较小学习率执行梯度上升；其余权重执行标准梯度下降。与仅对输入空间进行平滑的思路相比，本文将正则化作用扩展至参数空间。摘要未给出输入扰动方式、具体损失表达式、随机权重子集的选择规则及两类更新的调度细节，这些实现条件尚未验证。 作者报告该方法实现简单，并达到当时的 state-of-the-art 表现；但所给摘要未列出数据集、标注比例、划分协议、对照方法及指标数值，因此无法据此判断增益大小或适用范围。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 分类已有可用的半监督训练目标，可检验权重空间平滑是否有助于缓解小标注数据下的过拟合。可复用候选是 ABCD 的参数分块更新；输入空间平滑则需适配 EEG 的时频结构及标签保持约束。低信噪比、跨被试分布差异和通道变化可能使扰动破坏判别信息，参数梯度上升也可能增加小数据训练的不稳定性。一个可证伪的小实验是在固定 EEG 数据划分、标注比例和骨干网络下，对比仅输入空间平滑与加入 ABCD 的方案，并核对多随机种子下的分类表现和训练稳定性。该设想不代表已证实的 EEG 效果，已有 EEG 相关工作尚未检索确认。