对比正例未标注学习

基于摘要分析。本文研究 Positive Unlabeled（PU）学习：仅有少量已标注正例，以及混合正负样本的未标注数据时，如何训练二分类器。作者提出先通过 pretext-invariant representation learning 学习特征空间，再利用其保持聚类结构的性质为未标注样本生成伪标签，旨在降低对类别先验知识及正例标注数量的依赖。 机制上，表征学习与后续伪标签生成构成主要流程。作者称该框架无需事先知道或估计类别先验，并提供了支持算法设计的简要理论分析。摘要未说明具体对比目标、预文本任务、伪标签筛选规则，以及理论成立所需的假设，这些内容尚需全文核对。 作者报告，在多个标准 PU 基准数据集上，该框架优于所比较的先进 PU 方法，且在已标注正例极少时仍然有效。摘要未提供数据集名称、标注比例、划分方式、评价指标或具体数值，因而尚不能判断增益幅度与适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务确实只有少量可靠正例，而未标注数据同时包含正负样本，该框架可能提供一种减少负例标注需求的路径。可复用的是“表征学习—伪标签”流程，需改造的是适合 EEG 时序与通道结构的表征任务，并核对任务是否满足其聚类假设。低信噪比、跨被试差异、通道差异及小数据可能使表征按被试或噪声聚类，进而放大伪标签错误。可在固定被试内划分下，将训练集部分正例保留标注、其余训练标签隐藏，比较不同正例标注预算下该流程与 PU 基线的表现，验证表征聚类是否对应目标类别。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。