通过双重相关性削减进行多重图表示学习

基于摘要分析。本文研究自监督多重图表示学习（SMGRL），针对图内噪声、不同图之间共享信息利用不足，以及负样本编码与复杂代理任务带来的效率问题，提出结合图内和图间去相关损失的框架，并扩展至少量标签可用的半监督场景。 机制上，作者分别以图内去相关损失降低单个图中噪声信息的影响，以图间去相关损失捕获不同图之间的共同信息；训练不依赖负样本，并采用简单代理任务。摘要未提供损失公式、图编码器结构、代理任务定义及多图融合方式，因此尚不能确认这些目标如何避免表示退化，以及如何区分共享信号与共享噪声。 作者报告，从理论上论证该方法可在不直接进行对比学习的情况下实现互信息最大化，并最小化多重图信息瓶颈；相关论证的假设、适用条件及其与实际优化目标的关系尚未验证。作者还报告在多种下游任务上取得有效性与效率收益，但摘要未列出数据集、划分、基线、指标或计算开销，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将同一段 EEG 的不同频带或不同连接度量构造成节点对应的多关系图，该框架可能为学习共享连接表征提供候选机制。可复用的是无负样本训练和双重去相关目标；需改造图构建、频带特异信息保留及跨被试对齐。该假设依赖各图具有可比较的节点语义及真实共享信息；低信噪比下的共同伪迹可能被保留，而任务相关的频带差异可能被过度削弱，小数据也可能导致相关性估计不稳。可在固定 EEG 数据划分与图编码器下，比较完整目标、仅图内目标和仅图间目标，并加入受控通道噪声，检验下游指标及鲁棒性是否改善。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性证据。