AGCL：用于图表示学习的自适应图对比学习

基于摘要分析。该研究面向无监督图表示学习，针对既有方法对全局图结构利用不足、对比学习中存在假负样本的问题，提出 Adaptive Graph Contrastive Learning（AGCL），结合多种图滤波器与迭代样本选择，学习低维、紧凑的节点表示。 机制上，AGCL 先使用 Graph Convolution Network（GCN）滤波器及作者设计的 Diffusion-based filters 平滑初始节点特征，以获取局部与全局视图信息；随后计算节点对相似度，迭代选择相似节点对和不相似节点对，分别作为正、负样本进行图对比学习；最后通过不同聚合器融合多视图节点表示。其轻量版本 AGCL-Light 为每个节点预先选择相似节点子集，以降低训练样本更新的复杂度。摘要未给出相似度定义、样本更新规则、损失形式及聚合器细节。 作者报告，在九个基准数据集上的实验优于此前的先进方法，但摘要未列出数据集名称、任务、划分协议、对照方法或具体指标，因此无法据此判断改进幅度及适用范围。实验协议、消融及统计信息尚未验证；AGCL-Light 的实际加速与性能权衡也需查阅全文。 平台推测（待验证）：若 EEG 被组织为以通道为节点、空间邻接或功能连接为边的图，多尺度滤波与自适应样本选择可能对应局部—全局关系建模和相似神经状态被误作负样本的问题。该假设依赖节点特征与图边的可靠性，需改造 EEG 特征构造、连边及相似度估计；低信噪比、跨被试差异、通道变化和小样本可能使错误相似关系在迭代中被强化，图平滑也可能削弱判别信息。可在固定 EEG 数据划分、图构造及下游评估条件下，对照固定样本选择与 AGCL 式迭代选择，并检验去除全局滤波后的变化。上述仅为可检验的迁移假设，不是已证实的 BCI 效果；已有 EEG 相关工作尚未检索确认。