鲁棒排序聚合及其应用

基于摘要分析。本学位论文研究排序聚合（Rank Aggregation，RA）在偏好来源异质、模型假设失配及大规模推断条件下的建模问题，提出 COUPLE、CoarsenRank，以及用于 EEG 精神疲劳监测的 SWORE 与 BDtable。其主要研究对象是通用排序聚合，EEG 是其中一个应用场景，而非已验证的 BCI 解码方法。 RA 的目标是根据一组偏好恢复条目的完整排序。摘要指出，传统 RA 假设偏好来自同质用户，但实际用户差异会造成观测偏好与模型假设不一致；条目规模扩大也会增加推断负担。论文针对不同标注条件采用不同处理路径：在每位用户标注充足的众包场景中，CrowdsOUrced Plackett-LucE（COUPLE）通过不确定性向量细粒度刻画用户差异，并提出 OnlineGBMM，以支持具有相应可微条件的似然函数的解析贝叶斯更新。 在每位用户标注不足的场景中，论文认为直接扩充模型可能过拟合，因此提出 CoarsenRank：用相对熵定义排序数据的邻域，在偏好邻域上进行 RA，以降低模型失配的影响。作者将其实例化于三种概率排序模型并讨论优化策略，但摘要未列出具体模型及实验结果。 EEG 应用将反应时（RT）视为条目分数、将各 EEG 通道视为提供偏好的用户，把精神疲劳监测表述为异质偏好下的 RA。作者提出 Self-Weight Ordinal REgression（SWORE）评估多通道脑动态偏好，并用 Brain Dynamics table（BDtable）结合 OGMM 校准模型。摘要分别使用 OnlineGBMM 与 OGMM 名称，两者的具体关系需核对全文。 摘要未提供数据集、被试数、通道配置、偏好构造方式、数据划分、对照基线或定量指标，因此尚不能判断其 RT 预测性能及跨被试、跨会话适用性。实验协议、消融及统计信息尚未验证；复现还需确认 EEG 特征到排序偏好的映射、BDtable 的构建与更新规则，以及在线校准所需的监督信息。