LSCALE：用于节点分类的基于潜在空间聚类的主动学习

基于摘要分析。本文研究图节点分类中标注成本较高的问题，提出主动学习框架 LSCALE，在有限标注预算下利用已标注与未标注节点的表征选择待标注节点。核心贡献是将无监督特征与监督特征动态结合，在所得潜在空间中使用 K-Medoids 聚类进行节点选择，并通过增量聚类模块减少不同轮次所选节点之间的冗余。 机制与对照：作者认为，既有图主动学习方法依赖已标注节点学习表征，未充分利用未标注节点中的表征信息。LSCALE 的改进重点是查询节点时所用的潜在空间及跨轮次选择策略，而非摘要中已明确的新型分类网络。动态组合的具体规则、特征提取方式、分类器结构、训练目标与增量聚类实现尚未验证。 结果与证据边界：作者报告，在五个数据集的节点分类实验中，LSCALE 持续且显著优于所比较的先进方法。摘要未给出数据集名称、标注预算、数据划分、对照方法、指标或具体增益，不能据此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。 平台推测（待验证）：该机制可能对应 EEG 图节点任务中标注稀缺、查询样本重复的问题，但前提是任务确实具有明确的图结构、节点级标签及可利用的未标注特征。可复用部分是潜在空间 K-Medoids 选择与跨轮次冗余控制；需改造的是 EEG 节点定义、构图和特征表示。低信噪比、跨被试差异及通道配置变化可能使聚类反映噪声或被试身份，而非任务类别；小样本也可能使监督特征与动态组合不稳定。一个可检验的小实验是在既定 EEG 图节点分类任务中固定标注预算、分类器和划分，比较随机查询、静态特征聚类与 LSCALE，并检验增量聚类对重复选择和分类表现的影响。该实验仅为迁移假设，已有 EEG 相关工作尚未检索确认。