通过语义空间与特征空间协作进行噪声标签学习

基于摘要分析。该研究面向分类任务中的噪声标签问题，提出 Dual-Space Collaborative Learning（DSCL），联合语义空间与特征空间的信息进行样本筛选和正则化，以缓解仅依赖特征空间局部近邻时的筛选不可靠及噪声累积。 核心机制包括两个模块：协作筛选模块结合全局原型与高置信度语义预测，提高可靠样本选择的稳健性；协作正则化模块通过语义空间和特征空间之间的双向调整，缓解单一空间样本选择偏差带来的噪声累积。相较于摘要所述的局部近邻筛选方法，其主要区别是引入全局原型及跨空间协作。具体原型构建方式、置信度阈值、损失函数与训练流程尚未验证。 作者报告，DSCL 在多种基线对照实验中表现更优，但摘要未提供数据集、标签噪声类型与比例、数据划分、评价指标或数值，因而无法判断优势的幅度与适用范围；实验协议、消融及统计信息尚未验证。摘要提供了源代码入口，代码完整性及复现条件尚未核验。 平台推测（待验证）：若 EEG 分类数据存在标签错误，双空间协作可能为可靠样本筛选提供参考，但这是假设，并非已证实的 BCI 效果。可复用的是原型筛选与跨空间正则化思路；需改造 EEG 特征编码及语义预测的形成方式，并核对其对类别结构、预测校准和样本规模的依赖。低信噪比、跨被试差异、通道变化和小数据可能使原型或高置信度预测失真，进而强化错误筛选。一个可检验的小实验是在固定 EEG 分类划分下，仅向训练标签注入可控噪声，对照单空间筛选与完整 DSCL，检验干净测试集分类表现及筛选准确性是否同步改善。已有 EEG 相关工作尚未检索确认。