随机递归梯度支持集追踪及其稀疏表示应用

基于摘要分析。本文研究带 ℓ0 范数约束的稀疏表示优化，提出 stochastic recursive gradient support pursuit（SRGSP），以减少硬阈值操作的调用频率，降低高维稀疏优化的计算开销。原论文主要面向通用稀疏表示，并在图像去噪和人脸识别中检验应用效果，不是 EEG 或 BCI 验证研究。 机制上，作者将 SG-HT、SVRGHT 等方法每次迭代执行一次硬阈值操作的方式，改为 SRGSP 每次外迭代仅执行一次。作者报告该设计降低了计算复杂度，并给出线性收敛分析；但摘要未提供内外迭代安排、递归梯度估计公式、收敛假设及复杂度表达式，因此不能仅按硬阈值调用次数推断总体运行时间优势。 作者报告，在大规模合成与真实数据的稀疏表示实验中，SRGSP 优于相关方法；在图像去噪和人脸识别应用中，分别取得更好的 PSNR 和识别率。摘要未列出具体数据集、划分、数值及完整对照配置，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务明确采用 ℓ0 约束的稀疏编码或信号重建，SRGSP 可作为优化器替换候选，其对应瓶颈是高维稀疏求解的计算成本，而非直接改善 BCI 解码。可复用的是稀疏约束优化思路，需适配 EEG 字典、重建目标及稀疏度；不要求直接引入监督标签。低信噪比、通道差异和跨被试非平稳性可能使稀疏支持集不稳定，小数据下字典质量也可能限制收益。一个可检验的小实验是在固定 EEG 数据划分、字典、稀疏度与停止条件下，对比 SRGSP、SG-HT 和 SVRGHT 的运行时间、目标值及重建误差，检验减少硬阈值操作能否转化为实际收益。相关 EEG 工作尚未检索确认。