用于半监督学习的特征传播深度数据表征

基于摘要分析。本文研究半监督学习中的数据表征问题，提出一种结合图结构与特征传播的深度、灵活嵌入方法，主要验证对象是图像分类，而非 EEG 或 BCI。 方法同时包含图正则化、灵活嵌入模型、基于图的特征传播及深度架构。模型可逐层学习；在每一层，非线性数据表征与基于卷积后数据的未知回归项通过闭式解联合估计。摘要未说明图的构建方式、传播算子、具体目标函数，以及闭式求解的计算与存储开销，这些机制细节尚需全文核对。 作者报告，在六个公开图像数据集的半监督分类任务中，该框架表现有效，与多种半监督方法相比具有竞争力。摘要未提供数据集名称、标注比例、数据划分、对照方法及具体指标，因此无法判断性能增益的大小或适用条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 试次特征能够构成可靠的相似性图，图正则化与特征传播可能用于利用未标注试次，缓解标签稀缺。可考虑复用其逐层表征与传播机制，但需改造 EEG 特征输入、距离度量和建图规则；所需样本规模及标注比例尚不明确。低信噪比、跨被试分布差异和通道配置变化可能造成错误邻接，并使传播放大噪声；小数据下图结构也可能不稳定。一个可检验的小实验是在固定被试内划分和标注比例下，对照完整方法与关闭特征传播的版本，并固定其余训练条件，观察收益是否随图邻接扰动而消失。该建议不代表已验证的 EEG 效果，已有 EEG 相关工作尚未检索确认。