面向无监督图表示学习的簇感知多层次 InfoMax

基于摘要分析。本文研究无标签条件下如何学习兼顾拓扑与语义信息的节点表示，提出 Cluster-Aware Multiplex InfoMax（CAMI），以自适应图增强和节点—多层级图摘要之间的互信息最大化约束改善图表示学习。 作者指出，随机图增强可能删除关键边，或忽略重要节点与具有判别力的特征维度，从而降低生成视图的信息量；同时，图中的多层级子结构尚有可利用空间。CAMI 在拓扑与特征两个维度实施自适应增强，并通过节点表示与多层级图摘要之间的互信息约束，鼓励编码器捕获更丰富的节点交互。摘要未交代簇的构建方式、图摘要的生成机制、互信息估计方法及具体损失形式，均尚未验证。 作者报告，在七个真实数据集的不同任务上，实验支持 CAMI 的有效性；摘要未给出数据集名称、划分协议、对照基线、指标或具体数值，因此不能判断收益幅度及不同任务间的稳定性。实验协议、消融及统计信息尚未验证，代码与复现条件亦尚未验证。 平台推测（待验证）：若 EEG 已被构造成通道或脑区节点及其连接关系组成的图，自适应增强可能用于减少随机删边对任务相关连接的破坏，多层级图摘要也可能用于建模局部与整体关系。这一假设依赖图结构具有可靠生理或统计含义；可考虑复用增强与互信息约束思路，但需适配 EEG 时序特征、连接估计及通道布局。低信噪比下的伪连接、跨被试差异、通道变化和小数据条件都可能使增强策略保留噪声而非有效结构。一个可证伪的小实验是在固定 EEG 图构建、编码器及跨被试划分下，对照随机增强与自适应增强，并分别检验加入多层级约束前后的任务表现。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。