用于标签比例学习的渐进式训练

基于摘要分析。本文研究标签比例学习（Learning from Label Proportions，LLP）：训练时仅提供分组样本及各组的类别比例，目标是获得实例级分类器。作者提出渐进式训练方法 PT-LLP，试图从组级比例匹配逐步推进到实例级比例约束，以缓解现有深度 LLP 方法所得解难以充分满足给定比例的问题。 机制上，现有方法通常通过组级先验与模型预测类别分布之间的 KL 散度构造比例损失。PT-LLP 首先使用此类方法训练模型，再将更严格的比例一致性要求表述为约束优化问题，并利用最优传输（OT）算法求解；教师—学生框架下的知识蒸馏被用作过渡阶段，将组级信息传递到实例级。摘要未给出具体约束、OT 代价构造、蒸馏目标及各阶段训练细节，其实例级约束不应直接理解为获得了真实实例标签。 作者报告，该框架不依赖特定模型，以不同深度 LLP 方法作为首阶段、在多个数据集上实验时取得显著性能提升；摘要未列出数据集名称、评价指标、提升幅度或划分协议，因此尚不能核对收益大小及适用边界。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务能够获得可信的组级类别比例，而难以获得逐试次标签，PT-LLP 的比例约束与蒸馏机制可能用于弱监督分类。可复用的是渐进训练框架，需改造的是 EEG 编码器、分组方式和比例信息来源；其前提是组级比例可靠且分组保留可辨识的类别结构。低信噪比、跨被试或通道差异、小样本及比例估计误差均可能使严格约束放大错误。一个可证伪的小实验是在固定 EEG 数据划分下，仅用训练集标签构造组级比例，对照 KL 比例损失与 PT-LLP，并扰动比例以检验实例分类表现和约束满足程度是否同步改善。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。