面向非受控与不平衡分类的稀疏监督表示分类器

基于摘要分析。本文研究稀疏表示分类（SRC）对数据分布敏感、难以处理非受控数据与类别不平衡的问题，提出稀疏监督表示分类器（SSRC），将类别标签信息引入测试样本的表示阶段，并加入类别权重学习机制。原研究对象是通用分类，摘要中的验证任务涉及人脸数据与不平衡分类，并非 EEG 或 BCI。 机制上，SSRC 让每个类别都能在各自子空间内对测试样本进行线性表示，以减弱非受控数据分布的影响；用于不平衡分类的各类别权重则从对应类别的训练样本中学习。摘要未给出具体目标函数、稀疏约束、权重学习公式及最终判别规则，表示阶段如何使用类别信息也需结合全文核对，不能据此理解为使用测试样本真实标签。 作者报告，在 AR face database 的非受控数据实验，以及 15 个 KEEL 数据集的不平衡分类实验中，SSRC 能有效完成分类；后者的不平衡率范围为 1.48–61.18。摘要未提供评价指标、具体分数、数据划分及对照结果，因此尚不能量化收益。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 特征可由类别相关子空间近似表示，且各类别拥有足够训练样本，类别条件表示与权重学习机制可能用于评估类别不平衡下的 EEG 分类。可复用部分是表示和权重学习框架，需改造部分是 EEG 特征构建与归一化；低信噪比、跨被试漂移、通道变化和少数类样本不足均可能使子空间或权重估计不稳定。一个可证伪的小实验是在固定 EEG 数据划分与特征下，对比 SRC、SSRC 及移除类别权重的版本，分别报告 Balanced Accuracy 和各类召回率。上述为迁移假设，已有 EEG 相关工作尚未检索确认。