基于共识图的多视图图学习

基于摘要分析。本文研究如何从异质或混合的节点观测数据中，同时推断多个相关图及其共享结构，提出以可学习共识图连接各视图的多视图图学习方法。其主要研究对象是图拓扑推断，并将方法应用于多被试 EEG 功能脑连接网络推断，而非直接进行 BCI 任务解码。 核心机制：既有多视图方法通过视图间两两正则化鼓励图结构相似；本文改用共识正则化，使各视图与一个表示共同结构的共识图保持相似。在观测数据在图上平滑的假设下，优化问题同时学习各视图图拓扑与共识图拓扑。作者还提出两种正则化函数，将 fused graphical lasso 与 group graphical lasso 扩展到共识正则化框架；具体目标函数、约束、求解算法及超参数设置尚未验证。 结果与证据：作者报告，在模拟数据上的表现优于既有方法，但摘要未提供评价指标、数值或对照设置。对于多被试 EEG，作者报告该方法能够揭示被试共享的连接结构及各被试特有的结构特征；被试数量、记录条件、节点定义、预处理、连接验证方式及统计信息尚未验证。这一结果不能直接解释为跨被试 BCI 解码性能提升。 复现关注点：需核对图平滑假设与 EEG 观测的适配性、共识约束强度如何影响个体差异保留，以及结果对噪声和通道设置的敏感性。平台推测（待验证）：共识图可能作为跨被试连接特征的共享结构约束，但过强约束也可能压制任务相关个体差异。可在固定通道和预处理的多被试 EEG 数据上，对比共识正则化与两两正则化所得连接结构的稳定性及个体差异保留程度；若进一步评估解码价值，应独立采用明确的 Cross-subject 划分。相关 EEG 先行工作尚未检索确认。