离群样本居于枢纽、类内样本分布于辐条：面向双重不匹配半监督学习的均匀潜在空间构建

基于摘要分析。本文研究半监督学习中标注与未标注数据同时存在类别分布不匹配和标签空间不匹配的问题：未标注数据既可能类别不均衡，也可能含未知类别。作者提出 hub-spoke 潜在空间几何，并结合 evidence-based classifier，旨在改善特征可分性及已知、未知样本的不确定性分离。 核心机制是在中央 hub 周围均匀组织已知类别，各类别样本围绕自身原型形成紧凑簇；中央 hub 则作为低证据区域，用于承接高不确定性的未知类别样本。这一设计试图同时抑制多数类对潜在空间的主导，以及未知类别被高置信度误分为已知类别的问题。具体几何约束、损失函数、证据计算、原型更新与伪标签筛选方式尚未验证，不能仅凭摘要确定其实现。 作者报告，在多种设置下优于所比较的现有方法，最大提升为原文所述的 3.25%；摘要未给出对应指标、数据集、划分、基线及该数值是相对百分比还是百分点，因此不能进一步解释或跨协议比较。作者称代码位于补充材料，代码内容及可运行性尚未核验。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 半监督分类中的未标注数据同时存在类别比例偏移与训练标签空间之外的状态，该几何组织可能对应伪标签偏置和开放集误分类瓶颈；原型约束与低证据区域可作为候选复用模块，但 EEG 编码器和证据校准需另行适配。该假设依赖标注数据能形成可信的已知类原型，且未知状态能表现为高不确定性；低信噪比、跨被试或通道变化、小样本可能使已知类也落入 hub，或使未知类仍被高置信度吸附。可在固定划分与标注预算下，分别引入未标注类别不均衡和留出未知类别，对比基础半监督方法与加入几何约束后的已知类 Balanced Accuracy、未知类识别及伪标签质量。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。