基于图的半监督学习：综合综述

基于摘要分析。本文聚焦基于图的半监督学习（GSSL），系统梳理如何利用标注与未标注样本之间的图结构推断标签；核心贡献是提出统一框架下的广义分类体系，并整理相关方法、代码、数据集及应用资源。 GSSL 的基本机制是将每个样本表示为亲和图中的节点，再依据构建的图结构推断未标注样本的标签。其关键依赖在于：样本间的相似性关系能否形成有助于标签推断的结构。与覆盖半监督学习全貌的综述不同，本文集中讨论 GSSL，着重解释方法间的联系，并提出潜在研究方向。作者概述了该类方法在不同领域的应用优势与大规模数据可扩展性，但摘要未提供可核对的具体实验、指标或对照结果，不能据此判断不同方法的性能排序。分类细目、资源覆盖范围及相关实验协议尚未验证。 平台推测（待验证）：这一机制可能对应 EEG 标注稀缺的问题，即把 EEG 试次或其特征表示作为样本节点，利用少量已标注试次与未标注试次之间的关系进行学习。可复用的是样本图建模与标签推断思路；需要针对 EEG 改造特征表示、相似性度量和构图策略。低信噪比、跨被试分布差异及通道配置变化可能使图主要反映噪声或被试身份，而非任务类别，小数据条件下的邻域关系也可能不稳定。 一个可检验的小实验是：在固定 EEG 任务与被试内划分下，仅用训练集构图，比较相同标注预算下的监督基线与 GSSL，并预先明确未标注样本的使用范围，避免混淆归纳式与传导式评估。该方案是平台提出的迁移假设，不是本文已验证结果；相关 EEG 工作尚未检索确认。