回归类问题中相关特征子集与子空间的联合同步学习

一项研究将熵最优流形聚类（EOMC）扩展为熵最优流形回归（EOMR），用于在非平稳非线性回归问题中联合识别相关特征子集和子空间。在混沌和流体动力学基准测试中，EOMR 相比梯度提升随机森林、深度神经网络及 TabPFN 等工具，实现了数量级更低的均方根预测误差和更低的模型复杂度，并成功提炼出 Hasegawa-Wakatani 模型的简化描述。

此前方法在非线性非平稳回归中难以同时选择特征子集和子空间，且计算复杂度高。EOMR 将两者联合学习，在强混沌等挑战性问题上显著优于多种主流 AI/ML 工具，且迭代和内存复杂度呈线性增长，为高维小样本学习提供了新路径。

EOMR 基于信息论中的熵最优准则，在流形聚类框架中扩展回归能力，通过同时优化特征子集和子空间，自动识别最相关的特征组合。线性复杂度的迭代和内存设计使其适用于高维数据，并能从复杂动态系统中提取简约、可解释的模型。

对于 AI/ML 相关产品，EOMR 可能降低高维小样本预测任务的模型复杂度和计算资源需求，提升预测精度。尤其对混沌系统模拟、流体动力学、等离子体物理等领域的分析工具，有望提供更轻量、更准确的回归方案，替代部分深度学习方法。

• 将 EOMR 集成到现有数据科学平台，作为高维小样本回归的高性能选项，供用户评估。
• 针对混沌预测或流体动力学应用开发专用模块，利用其简化模型能力实现快速预测。
• 利用其线性复杂度特性，在边缘设备上部署轻量级实时预测服务。
• 基于 EOMR 的简约模型，开发可解释性分析工具，帮助用户理解核心特征动态。

• EOMR 在实际业务数据集上的泛化性能尚待验证，证据仅覆盖混沌和流体动力学场景。
• EOMR 对缺失数据、噪声水平及特征相关性的鲁棒性未在证据中详细说明。
• EOMR 的线性复杂度是否在所有维度和样本量下保持优势，尚未有明确数据。
• 具体实现细节、算法参数敏感性和可复现性，在证据中未充分披露。