面向细粒度经济制图的城市表征学习：一种半监督图方法

基于摘要分析。本文研究利用多模态城市地理空间数据进行细粒度分产业经济制图，提出可解释的半监督图学习框架 SemiGTX，以应对标签稀缺及缺乏统一多任务建模的问题；研究对象是区域经济表征，而非 EEG 或 BCI。 机制上，SemiGTX 使用面向不同地理空间数据模态的融合编码模块，将信息整合为图结构；其 semi-information loss 结合空间自监督与局部掩码监督回归，学习区域表征，并通过统一多任务模型同时预测第一、第二和第三产业 GDP。摘要未说明具体数据模态、图构建规则、掩码策略及损失公式，相关实现尚未验证。 作者报告，在中国珠江三角洲地区的实验中，三个产业的 R2 分别为 0.93、0.96 和 0.94，并优于所比较的方法；但摘要未提供数据划分、标签比例、基线名称及统计不确定性，不能据此判断不同协议下的可比性。作者还报告了北京和成都的跨区域实验以支持泛化性，但未给出对应数值及适配设置。模态影响分析用于解释预测，具体分析方法及其解释边界尚未验证。 平台推测（待验证）：若 EEG 数据能够构建具有合理邻接关系的图，空间自监督与部分标签回归的组合或可为标签稀缺的连续变量预测提供思路；可复用的是半监督目标与多任务框架，地理空间编码器、图结构和预测目标则需重新设计。该假设依赖 EEG 邻接关系的有效性及足够的无标签数据，低信噪比、跨被试差异、通道变化和小样本均可能使其失效。一个可检验的小实验是在固定跨被试划分和标签比例下，对比同一图编码器的纯监督训练与加入自监督目标的训练。已有 EEG 相关工作尚未检索确认；全文实验协议、消融及统计信息尚未验证。