ERASE：面向标签噪声容忍的图上容错表征学习

基于摘要分析。该研究针对图节点分类中低成本标注含噪、影响模型泛化的问题，提出 ERASE，以最大化编码率缩减（coding rate reduction）学习具有容错能力的图表征。原论文的主要对象是带标签噪声的图学习任务，并非 EEG 或 BCI。 方法上，ERASE 在训练前通过结构去噪预先纠正噪声标签，并提出解耦标签传播方法来估计编码率缩减；训练过程中，将原型伪标签与传播得到的去噪标签结合，用于更新容错表征。其关键思路是将标签修正与表征学习结合，而非直接依赖原始噪声标签。摘要未展开编码率缩减的具体计算、伪标签融合规则及优化细节。 作者报告，广泛实验支持该方法在含噪标签的节点分类任务中的有效性，并称其改善了泛化表现。但材料未提供数据集、噪声类型与比例、划分协议、对照基线或具体指标，因而不能判断收益幅度及适用边界；实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，实际复现仍需核对实现、依赖和实验配置。 平台推测（待验证）：若 EEG 任务已构建以试次为节点、以相似性为边且包含噪声训练标签的图，可假设该机制有助于缓解标注错误。可复用部分是标签传播与容错表征目标，需改造的是 EEG 特征、建图方式及标签噪声设定。低信噪比、跨被试差异、通道配置差异和小样本可能使图邻接关系失真，导致传播放大错误。一个可检验的小实验是在固定 EEG 特征和建图规则下，仅对训练标签注入已知比例的噪声，按相同被试内或跨被试划分比较基础图模型与 ERASE，并分别核对结构去噪、原型伪标签及编码率缩减的贡献。此为迁移假设，已有 EEG 相关工作尚未检索确认。