通过 Informed Tree-Wasserstein Distance 联合学习样本与特征的层级表示

基于摘要分析。本文针对高维数据的样本与特征两侧均存在层级结构、而多数现有方法仅建模其中一侧的问题，提出基于 Tree-Wasserstein Distance（TWD）的无监督联合层级表示学习方法。核心贡献是让两侧的树结构与距离度量相互提供信息，而非分别独立构建。 方法在样本与特征两个模式之间交替迭代：先构建一侧的树，再依据该树计算另一侧的 TWD，并用所得距离构建另一侧的树；重复这一过程以逐步细化两棵树及对应距离。作者报告提供了方法收敛的理论分析，但具体假设、收敛对象与保证范围尚未验证。 作者报告，该方法可作为双曲图卷积网络的预处理，提升链接预测与节点分类表现；在词—文档和单细胞 RNA 测序数据上的稀疏近似、无监督 Wasserstein 距离学习任务中优于基线。摘要未给出具体数据集名称、划分、基线、指标数值及计算开销，实验协议、消融及统计信息尚未验证，不能据此判断收益大小或跨任务可比性。 平台推测（待验证）：若 EEG 数据能够形成有意义的“样本—特征”矩阵，两侧交替学习层级结构或可用于研究样本相似性与通道或频谱特征组织的耦合关系。这一假设依赖特征具有可比较的结构，以及数据能够满足 TWD 构造所需的输入条件；具体归一化与质量分配方式需查阅全文。可复用的是交替构树与距离更新流程，需改造的是 EEG 特征表示及距离输入方式。低信噪比、跨被试差异、通道不一致和小样本可能使树结构不稳定。一个可检验的小实验是在固定 Cross-subject 划分、仅用训练数据构树的条件下，对比联合构树与单侧构树对同一下游分类器的影响，并检查树结构稳定性。已有 EEG 相关工作尚未检索确认。