DisenSemi：基于解耦表示学习的半监督图分类

基于摘要分析。该研究针对标注图数据稀缺时的半监督图分类，提出 DisenSemi，通过解耦图表示及任务相关的一致性约束，从无监督模型向监督模型迁移与分类目标相符的语义，而非直接迁移全部知识。原论文的研究对象是通用图分类，摘要以图像、视频和社交网络等多媒体数据为应用背景，并非 EEG 或 BCI 研究。 机制上，DisenSemi 使用解耦图编码器，为监督与无监督模型生成按因子分解的图表示；两个模型分别通过监督目标和基于互信息（mutual information，此处并非运动想象）的约束训练。随后，模型间的互信息解耦一致性正则用于促进任务相关知识的迁移。相较于摘要所述的整体知识迁移方法，其核心差异是强调迁移语义与当前分类任务的匹配。因子如何构造、相关语义如何识别、互信息如何估计及各项损失如何组合，尚未验证。 作者报告在多个公开数据集上的实验支持 DisenSemi 的有效性，但摘要未提供数据集名称、标注比例、数据划分、对照方法或具体指标，因而无法判断增益大小与适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 时间窗表示为通道或脑区关系图，该机制可能用于检验能否从未标注图中提取与任务相关、而非被试差异相关的因素。可复用的候选部分是因子级图表示与模型间一致性约束；需改造图构建、节点特征及任务相关因子的识别方式。该假设依赖足量未标注图和稳定的图结构，低信噪比、通道配置变化及小样本可能使解耦因素不稳定。可在固定 Cross-subject 划分和标注比例下，对比监督图模型、整体一致性迁移与解耦一致性迁移，并隔离测试被试以检验泛化增益。已有 EEG 相关工作尚未检索确认。