基于可学习图的深度无监督主动学习

基于摘要分析。本文研究无监督主动学习中的表征学习与代表性样本选择问题，提出基于可学习图的模型 ALLGs；摘要后文亦使用 ALLG 指称该方法。其核心思路是显式学习样本关系，而非仅通过自编码器学习非线性变换。 方法以 k 近邻图作为先验，学习关系传播图结构，以期获得更稳定、有效的样本关系及表征，并据此选择代表性样本；同时在不同层之间加入快捷连接，以缓解过平滑。作者将图结构学习用于无监督主动学习视为主要创新，并声称据其所知这是首次相关尝试，该优先性尚未独立核实。摘要未说明特征距离、图优化目标、训练损失及样本选择准则，其具体实现尚未验证。 作者报告在六个数据集上进行了实验，结果支持方法有效性；但摘要未列出数据集名称、划分方式、标注预算、对照基线或具体指标，因此无法据此量化收益。实验协议、消融及统计信息尚未验证，复现仍需核对全文与实现条件。 平台推测（待验证）：若 EEG 试次表征中的邻近关系能够反映任务相关结构，该机制可能用于从未标注试次中选择代表性样本，以减少后续标注需求。可复用部分是图结构学习与跨层快捷连接，需改造的是 EEG 特征、距离度量及选样流程；低信噪比、被试差异、通道配置变化与小样本可能使近邻图主要编码伪迹或被试身份，而非任务结构。一个可检验的小实验是在固定的被试内训练与测试划分下，仅用训练池构图，在相同标注预算和下游分类器条件下比较随机选样、固定 k 近邻图选样与可学习图选样。该假设不代表已证实的 BCI 效果，已有 EEG 相关工作尚未检索确认。