欧氏聚类的空间复杂度

基于摘要分析。本文研究欧氏空间中的 (k, z)-Clustering：在乘性误差 ε 的要求下，压缩其代价函数究竟需要多少比特。核心贡献是给出这一空间复杂度的上界与下界，从理论上刻画数据压缩与降维能够节省的存储空间，而非提出新的时序模型或 EEG 解码方法。 作者报告，当 k 为常数时，所得空间上下界近乎紧致，并据此指出，存储 coreset 这一已有数据压缩方案具有最优性。这里的结论针对聚类代价函数的压缩表示，不应直接理解为所有聚类算法的运行内存或计算时间均达到最优；摘要未提供完整界表达式及其对误差参数等因素的依赖，尚需正文核对。 作者还报告，利用 (k, z)-Clustering 的下界结果，可为 terminal embedding 建立 Θ(nd) 的紧空间界，其中 n 为数据集大小、d 为欧氏空间维度。技术路径涉及 principal angles 的新几何分析与 discrepancy 方法，但具体定理假设、嵌入保证和空间计量口径尚未验证。 该工作的主要价值是压缩极限的理论刻画。材料未给出与 EEG/BCI 信号结构、监督方式或解码目标的具体对应关系，因此不能据此推断其能改善跨被试性能或降低实际系统存储成本；尚未检索确认已有 EEG 相关应用。