自监督图表征学习中的真值引导负采样

基于摘要分析。本文研究自监督图表征学习中的负采样问题，主要面向将用户—物品交互建模为二部图的推荐系统。其核心思路是从人工设计负采样分布，转向近似并利用潜在的“真实”负样本分布，而不是提出 EEG 或 BCI 方法。 机制与理论：作者提出，即使真实负样本分布的具体形式未知，也可能通过 oracle 方式访问它，并分别分析两种情形：观测图是真实分布的无偏样本；观测图存在偏差且正边仅部分可见。作者据此推导负采样策略，将其解释为一个既有学习目标的数值近似。摘要未给出该目标、oracle 的具体实现、采样算法及计算成本，相关细节尚未验证。 证据边界：作者报告理论发现获得实证支持，并称新采样方法在真实世界数据集上达到最先进表现；摘要未列出数据集名称、划分协议、基线或指标数值，因而无法核对效果幅度和比较条件。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务采用图结构与自监督负采样，且能够明确正边语义及其观测机制，该思路可能用于研究负采样偏差；这不等于其在 EEG 上已有效。可复用候选是分布近似与采样原则，需改造的是图构建、正负边定义及 oracle 的可获得性。低信噪比、跨被试差异、通道配置变化和小数据可能使边语义不稳定，从而破坏分布假设。一个可检验的小实验是在固定 EEG 图编码器、训练目标和数据划分下，仅替换负采样策略，并控制正边可见比例，观察是否稳定优于原采样方案；开展前须先核对全文中的适用假设。已有相关 EEG 工作尚未检索确认。