HEAL：基于 LLM 智能体的混合增强用于文本属性超图自监督表示学习

基于摘要分析。本文研究文本属性超图在信号不完整、标签稀缺条件下的自监督表示学习，提出数据中心方法 Hybrid Hypergraph Enhancement with LLM-based Agents（HEAL），通过 LLM-based agents 多轮交互生成节点与超边，以增强下游任务所需的判别性表示。原研究对象是具有文本属性的超图，并非 EEG 或 BCI。 机制上，HEAL 首先为各节点检索相似样本，辅助节点扩展智能体构建不同增强视图；随后测量各增强视图的梯度，由评估智能体选择信息量较高的视图，以形成具有挑战性的样本。在结构侧，拓扑细化智能体加入新超边，尝试恢复缺失的结构信号。增强后的超图被用于自监督表示学习。其主要方法特点是同时干预节点内容与高阶连接结构，而不只是调整表示学习模型。 作者报告，在若干数据集上与多种基线比较验证了 HEAL 的有效性；摘要未提供数据集名称、下游任务、划分协议、具体指标或数值，因而无法判断收益大小及适用边界。梯度评价的具体定义、LLM 配置与提示方式、生成内容校验、训练损失、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 研究已经具备有依据的文本属性及超图结构，可假设其内容与拓扑联合增强思路有助于研究结构信息不完整的问题；可复用候选是相似样本检索、增强视图筛选与超边细化，需改造 EEG 节点定义、文本属性来源及生理结构约束。原方法依赖文本与超图，不能直接等同于原始 EEG 增强；低信噪比、跨被试或通道差异、小数据条件下，生成节点与超边可能引入伪关联。一个可检验的小实验是在固定跨被试划分与同一编码器下，比较不增强、随机结构增强及受约束的 HEAL 式增强，并检验人为移除超边后的表现与错误恢复情况。已有 EEG 相关工作尚未检索确认。