基于协同嵌入学习的无监督特征选择

基于摘要分析。该研究面向通用无监督特征选择，针对图嵌入将原始特征映射到低维空间时可能造成特征失真的问题，提出协同图嵌入模型，将原始空间的特征加权与低维空间的潜在图结构学习联合进行。 方法包含两个协同部分：软阈值学习用于获得阈值选择矩阵，在原始空间中为特征赋权；低维嵌入学习用于提取嵌入表示，揭示潜在图结构。作者将这种协作描述为通过双重嵌入，同时实现原始空间的无监督特征选择与自适应图学习。其主要方法价值在于不只依赖降维表示进行选择，而是让原始特征权重与图结构相互配合；具体目标函数、约束、优化步骤及特征排序方式尚未验证。 作者报告，在五个基准数据集上，相较八种竞争方法取得更优表现。摘要未提供数据集名称、评估指标、划分方式、具体数值及基线名称，因此目前无法判断优势大小、稳定性或适用的数据条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 样本组织为具有固定特征维度的矩阵，该机制可能用于无标签条件下筛选时域、频域或空间统计特征，对应冗余特征与可解释选择的需求。可考虑复用特征加权与图学习的协同框架，但需核对原方法的距离度量、图构建及尺度处理，并按 EEG 特征结构调整。低信噪比、跨被试分布差异和小样本可能使图邻接关系不稳定；特征选择也不能直接等同于通道选择。一个可检验的小实验是在固定 Cross-subject 划分下，仅用训练被试拟合选择器，与无特征选择及非协同选择方法比较下游分类表现和选择稳定性，测试被试仅用于评估。已有 EEG 相关工作尚未检索确认，这一迁移假设不代表已验证的 BCI 效果。