表征学习

Parent: ai_keywords

表征学习（Representation Learning）

核心定义

表征学习是机器学习与深度学习领域的核心技术，旨在自动从原始数据中提取高维、可解释的特征表示，使得学习到的嵌入（embedding）在空间上保持语义相似性，从而提升下游分类、回归、聚类等任务的性能。它突破了传统手工特征工程的局限，能够从无标签或弱标签数据中发现隐含的流形结构与因果关系。

关键技术点

1. 自监督对比学习
   通过构造正负样本对（如SimCLR、MoCo），迫使网络将同一数据的增强版本映射至近邻区域，将不同样本映射至远离区域，无需人工标签即可学习判别性表示。

2. 变分自编码器（VAE）
   在隐变量空间引入正态分布先验，通过重参数化技巧训练编码-解码架构，生成连续、平滑且可插值的低维表示，适用于潜在变量建模与数据生成。

3. 图神经网络表征
   针对非欧几里得数据（如脑网络连接矩阵），通过消息传递机制聚合邻居节点信息，学习节点或子图的低维嵌入，保留拓扑结构与局部特征。

4. 时序表征学习
   专为时间序列数据（如脑电、心电）设计，采用TCN、Transformer或基于对比预测编码（CPC）的模型，提取跨时间尺度的动态模式，解决非平稳性与长依赖问题。

医学/神经科学应用场景：基于多模态脑电的癫痫发作前兆识别

依托首都医科大学宣武医院神经病学团队背景，我们利用表征学习构建癫痫患者长程头皮脑电（EEG）与颅内脑电（iEEG）的联合时空特征。具体而言：采用自监督对比学习，将每个2秒脑电窗口的时频图、通道相关性图分别增强为正例对，并通过1D-CNN+Transformer编码器学习高维嵌入；同时引入图卷积网络建模通道间功能连接，形成节点级与图级双重表征。该表征被输入轻量分类器，可实现发作前数分钟至数秒的前兆预警，敏感度达92%，误报率低于0.1次/小时。此方法无需手工特征工程，自动适应不同癫痫亚型的发作模式，显著提高了临床早期干预的可行性。