先表征后增强：采用多阶滤波融合与双层对比学习的宽图聚类网络

基于摘要分析。本文研究深度图对比聚类中图增强与可训练图卷积耦合带来的效率及灵活性问题，以及对比目标对表征判别性的限制，提出采用“先表征、后增强”框架的宽图聚类网络 WGCN。主要贡献是多阶滤波融合（MFF）与双层对比学习（DCL），研究对象是通用图聚类，而非 EEG 或 BCI。 MFF 整合多阶低通滤波器，提取平滑、多尺度的拓扑特征，再通过自注意力融合减少冗余并形成嵌入表征。DCL 在表征阶段之后，使用并行且参数不共享的 Siamese 编码器构造两个增强视图，替代复杂的图数据增强。其双层对比目标分别面向表征自监督与结构一致性：前者提高成对增强嵌入的一致性，后者促进语义相近邻域之间的互信息关联；具体邻域定义与损失形式仍需查阅正文。 作者报告，在六个基准数据集上的实验显示 WGCN 具有聚类性能优势，尤其突出节时特性。摘要未提供数据集名称、划分、基线、指标数值及运行时间测量条件，因此不能量化优势或比较不同协议。实验协议、消融及统计信息尚未验证；摘要提供了代码地址，但代码完整性与可复现性尚未验证。 平台推测（待验证）：若将 EEG 通道或片段构造成具有节点特征与邻接关系的图，多阶滤波融合及表征级增强可能用于探索无标签表征学习，但原领域结果不等于 BCI 有效。可复用的是滤波融合和双层对比思路；需改造的是 EEG 图构建、邻域语义及增强约束。低信噪比下的错误连接、跨被试或跨通道拓扑差异，以及低通平滑削弱判别信息，均可能导致失败。一个可证伪的小实验是在固定 EEG 图构建与跨被试划分下，对照图级增强与表征级增强，同时记录聚类质量、下游任务表现和运行时间，并消融 MFF 与 DCL。已有 EEG 相关工作尚未检索确认。