用于图聚类的双重对比学习网络

基于摘要分析。本文研究图聚类中的表征学习，针对对比学习过程中潜在特征趋同、表征判别能力下降的问题，提出自监督方法 dual contrastive learning network（DCLN），通过节点与特征两个层面的约束减少冗余信息。 核心模块 dual curriculum contrastive module（DCCM）分别使节点相似性矩阵和特征相似性矩阵逼近高阶邻接矩阵与单位矩阵。前者旨在收集并保留高阶邻居中的有效信息，后者旨在减少特征之间的冗余。作者还设计课程学习策略，以缓解对比过程中的样本不平衡，并让网络从两个层面学习可靠信息。摘要未给出具体损失表达式、高阶邻接构造方式、课程调度及聚类推理流程，相关实现尚未验证。 作者报告，在六个基准数据集上的实验支持该方法的有效性，并优于所比较的先进方法；摘要未列出数据集名称、划分、评价指标、具体数值或基线配置，因此无法判断优势幅度与适用条件。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 通道或脑区构造成节点，并以连接关系构图，这种结构保持与特征去冗余机制可能用于探索 EEG 图表征的聚类，但原论文研究对象是通用图聚类，并非 EEG 或 BCI。迁移依赖有意义的节点特征及邻接结构；可复用双重相似性约束，需改造 EEG 构图方式与高阶邻接目标。低信噪比可能使高阶邻接传播伪连接，跨被试差异、通道变化及小数据也可能使约束不稳定。一个可检验的小实验是在固定 EEG 构图和相同数据划分下，对比仅节点约束、仅特征约束与双重约束，检查聚类表现及特征冗余是否同步改善。已有 EEG 相关工作尚未检索确认。