迈向基于 Genetic Programming 的深度表示学习

基于摘要分析。本文研究如何利用 Genetic Programming（GP，遗传编程）将大规模机器学习数据集的原始特征转换为更紧凑的表示，并以自编码器作为概念验证；主要研究对象是图像数据，而非 EEG 或 BCI。 机制上，该方法通过 GP 个体处理原始表示中的特征，生成压缩后的表示。摘要未说明个体的程序编码、算子集合、适应度函数、自编码器目标或优化流程，因此不能将其等同于常规神经网络自编码器，也不能确认其是否采用重建损失或如何实现多层表示学习。 作者报告，初步版本已在多种常见机器学习图像数据集上测试，但摘要未提供数据集名称、划分、基线和性能指标。作者推测，迭代使用该方法可能取得与先进深度神经网络竞争的结果；这不是摘要中已给出量化证据的结论。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 GP 能演化适用于 EEG 特征的变换，其紧凑表示机制可能用于探索高维输入的压缩；这仅是机制层面的迁移假设。可复用的是演化式特征变换思路，需改造的是 EEG 输入表示、算子约束与适应度评估。原方法对数据规模和监督信号的依赖尚不明确，低信噪比、通道差异、跨被试分布变化及小数据可能使搜索过拟合。一个可检验的小实验是在固定 EEG 任务与划分下，仅用训练集演化特征变换，与原始特征及 PCA 的同维度表示比较，保持下游分类器一致，并在独立测试集评估。相关 EEG 工作尚未检索确认。