增量特征空间与 Bandit 反馈下的在线学习

基于摘要分析。本文研究数据流中特征空间持续扩展、且预测后只能获得正确与否而非真实标签的在线学习问题，提出 LIFBF 及其变体 LIFBF-I、LIFBF-II。主要研究对象是通用在线多分类，摘要以个性化推荐系统中的用户行为积累为应用背景，并非 EEG/BCI 研究。 机制上，当新实例包含新增特征时，算法先通过探索—利用策略猜测其最佳标签，再构造同时考虑 Bandit 反馈与猜测标签的损失函数。动态多分类器分别采用 passive-aggressive 更新规则与结构风险最小化原则，更新共享特征和新增特征对应的部分。摘要未提供损失函数的具体形式、探索概率、两种变体的差异或新旧特征的组织方式。 作者报告对 LIFBF 的累计损失界进行了理论分析，并在多个数据集上开展实验以验证算法有效性；摘要未给出数据集名称、评价指标、对照基线或数值结果。理论界所需假设、特征增长协议、反馈生成方式、实验协议、消融及统计信息尚未验证，不能据此判断其相对优势或复现成本。 平台推测（待验证）：若 EEG 在线解码同时面临特征维度增加，以及只能取得任务成功或失败反馈而无法直接获得真实类别标签，该问题设定可能具有对应关系。可考虑复用探索—利用和分离更新新旧特征的思路，但需改造 EEG 特征表示及反馈映射；通道替换、信号漂移或延迟且有噪声的反馈，并不自动满足本文的增量特征与正确性反馈假设。低信噪比、被试差异和小样本可能使猜测标签产生的错误持续累积。一个可检验的小实验是在同一被试的 EEG 数据流上分阶段开放特征维度，仅向算法提供预测正确与否，并与固定特征的在线分类基线在相同划分和反馈预算下比较分类错误与新增特征后的恢复表现。该实验仅用于验证迁移假设，已有 EEG 相关工作尚未检索确认。