从独特到统一：面向混合类型表格数据聚类的属性中心自监督表征学习

基于摘要分析。本文研究混合类型表格数据聚类中的表征学习问题，提出属性中心自监督框架 FUSE：先保留数值型、名义型与有序型属性各自的关系语义，再利用属性间依赖形成统一表征。其主要研究对象是混合类型表格数据，而非 EEG 时序或 BCI 解码。 机制上，作者认为仅依赖样本间相似性构造自监督信号，在异质表格数据中可能不足或不稳定，因此引入属性间依赖作为补充。Type-Faithful Attribute Formation（TAF）将扰动和恢复目标与各属性类型的关系性质对齐；Cross-Attribute Relational Unification（CRU）通过排除目标属性的上下文预测，捕获同一样本内的跨属性依赖。摘要未提供具体扰动方式、恢复损失、上下文构造及表征融合实现。 作者报告，FUSE 在多个混合类型基准上的实验体现了效率与性能优势，但摘要未列出数据集、划分协议、对照方法或定量指标，尚不能判断优势幅度及适用条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 BCI 任务已整理为包含连续 EEG 特征、名义型元数据和有序评分的表格，类型保真编码与跨属性预测可能有助于学习异质特征表征。这一假设依赖稳定且可利用的属性关系，不直接适用于原始 EEG 时序。可考虑复用属性级自监督思路，但需改造信号特征提取、通道对齐和缺失属性处理；低信噪比、跨被试差异、通道变化及小样本可能使属性依赖不稳定，或使表示偏向被试身份等非任务因素。一个小规模可证伪实验是在固定跨被试划分下，对同一混合特征表比较完整方案与去除类型匹配或跨属性预测的版本，并保持聚类与评价流程一致。相关 EEG 工作尚未检索确认，迁移价值不属于本文已验证结果。