DisenSemi：基于解耦表示学习的半监督图分类

基于摘要分析。本文研究标注图数据稀缺条件下的半监督图分类，主要面向以图表示的图像、视频和社交网络等数据，而非 EEG 或 BCI。DisenSemi 的核心思路是将图表示分解为不同因子，并在无监督模型向监督模型传递知识时，优先保留与当前分类任务相关的语义。 方法上，作者提出解耦图编码器，为监督与无监督模型生成因子级图表示；两类模型分别通过监督目标和基于互信息（mutual information）的约束训练。随后，框架在两模型之间引入基于互信息的解耦一致性正则化，以识别与分类任务相符的依据并约束知识迁移。其与摘要所述近期方法的主要区别，是不直接迁移无监督模型的全部知识。互信息估计方式、因子划分、任务相关因子的识别机制及具体损失尚未验证。 作者报告，DisenSemi 在多个公开数据集上的实验显示有效性，但摘要未提供数据集名称、标注比例、划分协议、对照基线或具体指标，因此尚不能判断收益大小及适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 样本构造成通道关系图，该机制可能用于检验能否从无标签图表示中筛选出与分类任务相关、而非主要反映被试差异的因子。可复用部分是因子级图编码与跨模型一致性约束；需改造图构建、节点特征和监督目标。此假设依赖足够的无标签图样本，以及图结构能够保留任务信息；低信噪比、跨被试分布差异和通道变化可能使因子更多编码伪迹或身份信息，小数据也可能使互信息估计不稳定。一个可检验的小实验是在固定标注比例、按被试隔离的 Cross-subject 划分下，对比纯监督、整体知识迁移和因子级迁移，并核对移除一致性正则后的变化。以上不是已证实的 EEG 效果，已有 EEG 相关工作尚未检索确认。