再生核希尔伯特空间选择模型

基于摘要分析。本文研究个体如何根据偏好与选项属性进行离散选择，重点建模某些选项的出现会改变其他选项感知效用的上下文依赖行为。作者提出向量值再生核希尔伯特空间（RKHS）框架，将选择效用定义在选择集合与特征的配对上，以较少的结构性假设捕获选项间的高阶交互。 在无特征情形下，方法使用带掩码机制的集合核处理不同大小的选择集合；在有特征情形下，使用乘积核结合集合结构与选项属性。固定核时，作者通过 Representer Theorem 将估计问题化为有限维凸优化。摘要未提供具体目标函数、核表达式及约束条件，这些内容尚未验证。 为提高可扩展性，作者提出随机特征近似与 Neural Tangent Kernel 两条路径：前者将数据映射到随机低维空间，作者报告其计算成本对选项数和样本数由二次降为线性，但具体计算环节与成立条件需核对全文；后者采用深度多头注意力神经网络结构学习数据自适应核，并通过随机梯度下降优化。作者还报告建立了避免集合基数带来指数级复杂性的一般化界，其假设与界的具体形式尚未验证。 作者报告在合成与真实数据集上，方法的预测准确性和泛化表现优于已有基线；摘要未给出数据集名称、划分、基线、具体指标或数值，实验协议、消融及统计信息尚未验证。研究的主要对象是离散选择行为，而非神经信号解码；所给材料未建立与 EEG/BCI 的具体机制对应关系，因此不据此推断 BCI 有效性或提出迁移复现实验。已有 EEG 相关工作尚未检索确认。