面向不平衡数据流的代价敏感稀疏组在线学习

基于摘要分析。本文研究高维、不平衡数据流中的在线特征选择：逐个评估特征可能忽略特征组结构，而类别不平衡可能进一步削弱所选特征的判别能力。作者提出代价敏感稀疏组在线学习框架 CSGOL 及其近端版本 PCSGOL，将类别代价与稀疏特征选择纳入在线优化。 机制上，作者在对偶平均正则化中结合 l2 范数、l1 范数及组稀疏约束，构造代价敏感在线优化问题；PCSGOL 进一步引入平均加权距离，以获得更稳定的预测。摘要称，作者针对四种修改后的 hinge loss 推导了优化问题的闭式解，形成 CSGOL 与 PCSGOL 的相应变体。各损失的具体定义、代价设定及组结构构建方式尚未验证。 作者报告，在真实世界流式数据集与在线异常检测任务上的实验支持所提方法的有效性；摘要未给出数据集名称、数据划分、对照方法及具体指标，因此无法判断不同变体的收益幅度与适用边界。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能对应 EEG 在线解码中的类别不平衡与高维特征筛选问题，但原论文研究对象是通用数据流，并非 EEG 或 BCI。迁移假设依赖可定义的特征组及在线标签反馈：代价敏感优化与稀疏更新可作为候选模块，通道、频带或时频特征的分组及标签到达方式需要改造。低信噪比、跨被试差异、通道变化和少量标注均可能导致特征选择不稳定。可在固定 EEG 解码任务中，保持相同时间顺序与标签反馈协议，对比 CSGOL、PCSGOL 及关闭类别代价或组约束的版本，检验 Balanced Accuracy、少数类召回与特征选择稳定性；这仅是可证伪的迁移实验建议，已有 EEG 相关工作尚未检索确认。