类别感知的图孪生表征学习

基于摘要分析。本文研究图孪生表征学习中正样本候选范围受限、图拓扑增强可能影响节点表征的问题，提出类别感知方法 CGSRL，结合特征与结构相似性选择正样本，并以保留原始类别信息为目标进行特征增强。原论文的主要研究对象是图节点表征，而非 EEG 或 BCI。 机制上，作者受 Jaccard coefficient 启发，设计同时考虑邻域信息与平均度的节点结构相似性计算方法，再结合特征相似性，扩大可能属于同类的正样本选择范围。增强模块通过一致性约束，使判别器从原始特征中提取代表类别信息的高层语义，再由生成器据此合成具有相同类别信息的增强特征。具体损失形式、类别信息是否依赖标签、正样本筛选规则及训练流程尚未验证。 作者报告，在五个真实世界图数据集的节点分类与节点聚类实验中，CGSRL 均优于所比较的先进基线。摘要未提供数据集名称、划分、指标、具体数值或基线清单，实验协议、消融及统计信息尚未验证，因此尚不能判断收益来自正样本选择、特征增强还是二者协同。 平台推测（待验证）：若 EEG 已被组织为以通道为节点、以信号特征为节点属性的图，可考察该方法是否减少拓扑扰动对表征的影响。但该迁移依赖图边与特征相似性具有稳定意义；节点类别语义与整段 EEG 的任务标签并不天然对应，需要改造正样本定义和一致性目标。低信噪比、跨被试差异及通道配置变化可能使相似性反映伪迹而非任务信息，小数据下生成增强也可能不稳定。一个可检验的小实验是在固定 EEG 图构建与编码器、按被试隔离训练和测试的前提下，比较原有增强与类别语义约束特征增强，并分别消融结构相似性和语义约束。该方向已有 EEG 相关工作尚未检索确认，不能将原图任务结果视为 BCI 有效性证据。