AHP与主动学习减少模式排序查询

基于摘要分析。本文研究模式挖掘中如何根据特定用户的偏好识别相关模式，提出将模式排序函数的学习转化为多准则决策问题，以降低偏好学习所需的时间和训练样本需求。其主要对象是探索性数据分析中的用户偏好排序，而非 EEG 解码或 BCI 控制。 核心机制是使用 Analytic Hierarchy Process（AHP，层次分析法），根据用户偏好确定不同模式兴趣度指标的权重。作者还提出主动学习模式，利用基于敏感性的启发式减少用户排序查询。相较于仅依赖固定兴趣度指标或需要较多训练样本的排序学习，本文着重于多指标权重获取和交互查询效率；具体权重计算、敏感性定义、查询选择规则及停止条件尚未验证。 作者报告，在摘要所述实验中，该方法相较于作者称为当前最先进的对照方法显著减少运行时间，获得精确的模式排序，并对用户错误具有鲁棒性。摘要未提供数据集、对照方法名称、排序评价指标、错误模拟方式或具体数值，因此不能确定优势幅度及适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 探索性分析需要研究者依据多个明确指标筛选候选模式，AHP 权重获取和主动查询机制可能可复用，但这不等同于提升 BCI 解码性能。该假设依赖可计算的模式指标及用户能提供相对稳定的偏好，需针对 EEG 定义候选模式、指标和查询界面；低信噪比、跨被试差异及小数据可能使指标和偏好排序不稳定。可用一个小规模 EEG 候选模式集合，在固定用户查询预算下比较 AHP 与其主动学习模式对保留偏好判断的排序一致性，并测试偏好扰动后的稳定性。已有 EEG 相关工作尚未检索确认。