跳到正文

算法、任务与模态

Class Imbalance 最新动态

Class Imbalance 研究索引；按可核对的标签归档，不以热度评价质量。

43 条精选近 30 天 6 条共收录 83 条

更新

精选归档 · 第 3 页

1月1日周三第 41–43 条
  1. OpenReview · EEG71

    M2NN：通过多变量多尺度注意力进行稀有事件推断

    基于摘要分析。该研究针对多变量时间序列中的稀有事件推断，尤其是 EEG 癫痫事件检测，提出基于 LSTM 的 M2NN：将预先提取的多变量、多尺度时间特征作为辅助信息输入网络，以帮助模型利用仅靠少量稀有事件训练数据难以学得的局部时间特征。 核心机制是同时考虑多个时间尺度上的序列特性与外部知识，包括预先已知的变量关系，提取局部多变量时间特征，再通过注意力机制辅助推断。摘要明确描述了单层 LSTM 与双层注意力的组合，但未提供特征提取算法、变量关系的具体定义、注意力计算方式、损失函数及训练流程，这些细节尚未验证。其方法重点不是单纯增加网络规模，而是将先验特征作为辅助信息引入学习过程。 作者报告，利用上述特征的模型在 EEG 稀有癫痫事件检测中取得显著增益；摘要未给出数据集名称、被试数量、被试内或跨被试划分、对照基线、指标和数值，因此无法判断增益幅度及泛化范围。作者还在公开的制造业异常检测任务中评估方法，并报告其对受稀有事故及拥堵影响的旅行时间预测也有益；这些结果不能直接替代 EEG 场景的验证。 复现时值得核对多尺度特征与变量先验的构建方式、训练与测试阶段的特征处理流程，以及辅助特征和注意力分别带来的贡献。实验协议、消融及统计信息尚未验证。该工作直接涉及 EEG 癫痫检测，但摘要不支持将其效果进一步推广为运动想象等 BCI 任务的性能提升。

    阅读价值：值得核对其如何将预先提取的多变量、多尺度时间特征与变量关系先验注入注意力机制，以缓解 EEG 稀有癫痫事件的训练数据不足问题，但具体增益及评估协议尚未验证。

10月1日周二
  1. OpenReview · EEG75

    用于正例–未标注分类的鲁棒 AUC 最大化框架：同时进行异常样本检测与特征选择

    基于摘要分析。该研究面向正例–未标注（Positive-Unlabeled，PU）分类：训练数据只有少量已标注正例和大量可能混合正负类别的未标注样本。作者提出统一结合 AUC 最大化、异常样本检测和特征选择的鲁棒学习框架，以应对负例占多数、标签错误及特征损坏，并提供泛化误差界和应用验证。 机制上，作者将 AUC 最大化用于处理标签偏倚，将异常样本检测用于排除错误标签，将特征选择用于排除受损特征。摘要未给出具体目标函数、三部分的耦合方式、优化算法或样本与特征的筛选规则，因此尚不能判断其如何区分真实困难样本与标注异常，也不能核实特征选择的稳定性。 理论方面，作者报告泛化误差界，并据此提出训练指导：纳入的未标注样本量与训练正例数相当时即可满足其分析所述的充分性要求。该结论依赖的分布、标注机制及其他理论条件尚未验证，不能据此泛化为所有 PU 任务都无需更多未标注数据。 实验方面，作者报告进行了经验比较，并在手术部位感染（SSI）和 EEG 癫痫发作检测两个真实应用中验证方法有效性。摘要未提供数据集、被试数、正例标注比例、类别分布、被试内或跨被试划分、对照基线及具体指标数值；实验协议、消融及统计信息尚未验证。EEG 癫痫发作检测是文中明确的应用，但不能等同于已验证 BCI 解码效果。 复现时需核对 PU 数据构造和正例标注机制、异常样本与特征筛选是否仅使用训练数据、EEG 特征表示及划分单位，以及未标注样本量结论的适用条件。代码、超参数与实现细节在当前材料中尚未验证。

    阅读价值：值得阅读其将 AUC 最大化、异常样本检测与特征选择统一于 PU 分类的机制，以及 EEG 癫痫发作检测中的验证，但具体性能与复现条件尚需全文核对。

1月1日周三
  1. OpenReview · EEG72

    基于皮层多单元活动的人类局灶性癫痫发作早期检测

    基于摘要分析。本研究针对闭环癫痫控制中的早期发作检测问题，探索以皮层内神经元多单元活动（MUA）作为检测信号，而非直接使用常见的头皮 EEG 或颅内 EEG。核心贡献是将微电极阵列记录中的放电计数及其统计、相关结构特征，与代价敏感支持向量机和 Kalman 滤波后处理结合，开展初步的发作期与发作间期分类验证。 方法使用 96 微电极阵列（MEA），以 30 kHz 采样记录宽带场电位。作者将信号经 300 Hz–6 kHz 带通滤波后，在 0.1 秒时间窗内统计阈值穿越次数，定义为 MUA。所探索特征包括跨 MEA 通道计算的均值、方差和 Fano-factor，以及在 1 秒滑动时间窗内计算的 MUA 空间、时间相关矩阵的主要特征值。分类器采用代价敏感支持向量机，随后进行 Kalman 滤波后处理；具体代价设置、特征组合及滤波参数尚未验证。 作者报告，在单名参与者记录的样本外数据上，评估涵盖 6 次癫痫发作及 4.73 小时发作间期数据，检测灵敏度为 100%（6/6），且未出现假阳性。相对于 ECoG 确定的发作起始时间，检测延迟为 4.17 ± 2.27 秒（均值 ± 标准差）。该结果支持 MUA 用于早期检测的初步可行性，但并不表示在 ECoG 发作起始之前实现预测，也不能据此推断跨被试或长期监测表现。 研究对象是侵入式神经信号驱动的癫痫检测，摘要未提供实际闭环干预效果。复现需获得相应高采样率 MEA 记录，并核对阈值设定、样本外划分、事件级判定规则、后处理是否满足实时因果约束，以及 ECoG 起始标注流程。实验协议、对照、消融及统计信息尚未验证；少量发作和有限发作间期记录不足以确立长期误报水平与泛化能力。

    阅读价值：该研究提供了利用皮层内 MUA 特征、代价敏感支持向量机与 Kalman 滤波进行癫痫发作早期检测的具体路径，但作者报告的效果仅来自单名参与者的有限记录，泛化与闭环应用价值尚未验证。