用于不平衡学习的混合密度自适应加权协同表示

基于摘要分析。本文研究协同表示分类（CRC）在类别不平衡条件下偏向多数类的问题，提出结合类别特异性正则化与密度自适应加权的协同表示模型，以改善少数类样本的表示能力。主要研究对象是通用不平衡分类，而非 EEG 或 BCI。 机制上，模型在 CRC 框架中加入基于类别特异性表示的新正则项，目标是降低类间相关性并增强判别能力；同时利用类内及类间的样本分布与密度信息，为少数类样本分配更大权重，以缓解多数类偏置。摘要未给出正则项、密度估计及权重生成的具体公式。作者报告，该模型在理论上具有闭式解，计算复杂度与 CRC 相当；具体复杂度表达式与运行时间尚未验证。 作者报告，在 KEEL repository 的多个数据集上，该方法优于所比较的不平衡分类方法。摘要未列出具体数据集、类别不平衡比例、数据划分、评价指标或性能数值，因此尚不能判断收益集中于少数类识别、整体分类性能还是其他目标。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务具有类别不平衡，且提取后的特征空间能可靠反映类别邻域结构，该方法的密度加权与类别特异性正则化可能有复用价值。其依赖类别标签及有意义的样本距离，迁移时需适配 EEG 特征、归一化和密度估计；低信噪比、跨被试分布变化及小样本可能使局部密度失真，并放大少数类噪声。一个可检验的小实验是在固定的被试内 EEG 划分下，仅调整训练集类别比例，对比 CRC、完整方法及去除加权或新正则项的变体，报告 Balanced Accuracy 与少数类召回率；密度估计和调参均限定于训练数据。已有 EEG 相关工作尚未检索确认。