存在概念漂移的在线类别不平衡学习：一项系统研究

基于摘要分析。本文研究类别分布高度偏斜、且可能发生概念漂移的数据流中的在线学习问题，贡献是系统梳理相关研究进展、研究重点与开放挑战，并通过深入实验考察如何应对类别不平衡与概念漂移并存的情况。 原论文的主要对象是通用数据流学习，而非 EEG 或 BCI。其问题设定同时涉及类别分布偏斜与概念随时间变化，不能仅按静态不平衡分类理解。作者将本文定位为该联合问题的首次系统研究；这一优先性表述尚未独立核实。摘要没有提供具体算法、漂移类型、数据集、类别比例、评估指标或实验结果，因此无法据此判断哪种处理策略更有效，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若在线 EEG 任务既存在目标事件稀少，又存在随时间变化的信号分布，这一联合问题框架可能具有参考价值。可借鉴的是评估问题的组织方式，而非摘要中尚未披露的具体算法；迁移时需明确事件标签、时间顺序、标签反馈延迟及漂移定义。低信噪比、被试差异与通道变化可能混淆少数类识别困难和漂移效应。一个可检验的小实验是，在保留时间顺序的已标注 EEG 数据中，分别考察类别比例变化、分布变化及两者共同发生时同一在线分类器的表现，并核对逐类召回率与 Balanced Accuracy。该实验仅是假设性验证建议，已有相关 EEG 工作尚未检索确认。