利用嵌入空间低秩模型恢复张量缺失切片

基于摘要分析。本文研究张量中连续切片的全部元素缺失时如何恢复数据，主要研究对象是彩色图像和 fMRI。核心贡献是将时间序列的延迟嵌入推广为 multi-way delay-embedding transform，在高阶嵌入空间中进行低秩恢复，再映射回原始张量。 机制上，该变换把不完整张量转化为更高阶的不完整 Hankel 张量，随后采用基于 Tucker 的低秩张量分解恢复嵌入空间中的数据，最后通过逆多维延迟嵌入变换得到原张量的估计。作者将连续切片缺失的关键困难归结为对延迟／平移不变结构的捕获，并指出核范数与总变差正则化方法在这类情形下通常难以恢复缺失元素；具体对照设置尚未验证。 作者报告，该方法在部分彩色图像和 fMRI 上成功恢复了缺失切片。摘要未提供数据集名称、样本规模、缺失切片长度、划分方式或定量指标，因此不能判断恢复精度、适用缺失范围及相对基线的提升。嵌入窗口、秩选择、优化目标、计算开销、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 的时间与通道结构在延迟嵌入后具有可利用的低秩性，该机制可能用于连续缺失片段的重建，而非直接构成 BCI 解码方法。可复用模块是延迟嵌入、Tucker 分解与逆变换；需改造嵌入轴、窗口及秩选择，以适配 EEG 采样率和通道结构。低信噪比、非平稳事件、跨被试差异及少通道数据可能破坏低秩假设，重建也可能抹平 ERP 瞬态。一个可证伪的小实验是在完整 EEG 上人为遮蔽连续时间段，固定相同缺失条件，对比插值、核范数和总变差方法，并同时核对重建误差与下游任务性能；重建时不得使用被遮蔽真值。已有 EEG 相关工作尚未检索确认。