用于正例—未标记学习的噪声配对鲁棒表征对齐

基于摘要分析。本文研究正例—未标记（Positive-Unlabeled，PU）二分类：训练数据仅包含少量已标记正例和大量未标记样本。作者提出非对比式学习框架 NcPU，旨在不依赖辅助负例或预估参数等辅助信息的情况下，缓解不可靠监督对判别性表征学习的限制；原研究并非 EEG 或 BCI 研究。 NcPU 结合两个模块：噪声配对鲁棒的监督式非对比损失 NoiSNCL，用于在不可靠监督下对齐同类表征；phantom label disambiguation（PLD）通过基于 regret 的标签更新提供保守的负类监督。作者从 Expectation-Maximization 框架视角论述两者可在迭代中相互促进。摘要未提供损失公式、标签更新细节或理论成立条件，尚不能判断其具体实现约束。 作者报告，NoiSNCL 可使简单 PU 方法获得有竞争力的表现，完整 NcPU 在多种数据集上优于现有 PU 方法，评估还包括灾后建筑损伤制图数据。摘要未给出这些改进的具体指标、数据划分及统计不确定性；实验协议、消融及统计信息尚未验证。材料提供了代码地址，但代码完整性及复现条件尚未核对。 平台推测（待验证）：若某个 EEG 二分类任务确实只有可靠正例与混合类别的未标记样本，NoiSNCL 的表征约束及 PLD 的保守负类监督可能值得评估。可复用的是损失与标签更新机制，需适配 EEG 编码器及采样流程；低信噪比、跨被试分布偏移与少量正例可能使错误标签更新累积。一个可检验的小实验是在固定跨被试划分下，仅保留训练集部分正例标签，将其余训练样本设为未标记，分别比较基础 PU 方法、加入 NoiSNCL 和完整 NcPU 的 Balanced Accuracy 与 F1。该设想不是已验证结果，已有 EEG 相关工作尚未检索确认。