试错：空间受限学习的一种新方法

基于摘要分析。本文研究 PAC 学习算法在任意时刻最多存储 d 个样本的约束下，哪些概念类仍然可学习。作者引入概念类的压缩参数并设计 trial and error 学习算法，作者报告的理论结论是：概念类具有 d-space 可学习性，当且仅当其压缩参数不超过 d。 这里的空间约束以所存储的样本数量定义，不能直接等同于程序总内存、模型参数量或神经网络状态大小。算法不要求输出假设与整个训练样本集一致；摘要将这一点与 Floyd 针对特定概念类的一致性空间受限学习方法作对照。代价是需要较大的样本量，压缩参数出现在样本量表达式的指数位置，但摘要未提供具体界、置信度与误差参数的依赖关系。 作者报告了若干可在多项式时间内进行空间受限学习的概念类，包括具有有限 VC-dimension 的所有交封闭概念类、R² 中的凸 n 边形、Rⁿ 中的半空间以及 R² 中三角形的并，并进一步讨论压缩参数与 VC-dimension 的关系及其变体。这些属于学习理论结论，而非 EEG 解码实验结果；证明条件、算法步骤及复杂度的具体表达式尚未验证。 平台推测（待验证）：该理论可能为受存储限制的 EEG 样本保留策略提供分析视角，但依赖目标假设类的压缩性质及 PAC 学习前提，不是状态空间模型或现成的 BCI 解码方法。若尝试迁移，需要先明确 EEG 特征上的概念类与样本保留规则，并核对噪声、跨被试差异及跨会话漂移是否破坏相关前提；样本量需求还可能与小数据场景冲突。一个可检验的小实验是固定 EEG 特征与半空间分类器，在相同被试内划分下比较受样本存储预算限制的策略与保留全部训练样本的对照，分别记录 Accuracy、保留样本数与所需训练样本量；这只能检验工程可行性，不能替代理论证明。相关 EEG 工作尚未检索确认。