Ugan：用于 EEG 情绪识别的不确定性引导图增强网络

基于摘要分析。研究针对时变、被试特异性脑动态造成的 EEG 表征与连接统计不确定性，提出 Ugan，通过不确定性引导的图增强与协同教学学习，提升 EEG 情绪识别的跨被试泛化能力。 核心机制是操纵域统计特征，同时增强 EEG 图的连接与节点特征，以原始图和增强图模拟不同个体之间的不确定统计偏移。作者认为，已有主要依赖确定性模式的统计增强不足以覆盖个体间的域变化；Ugan 则将表征和连接两方面的变化共同纳入增强。摘要未说明统计量的定义、不确定性的估计方法，以及图连接的具体构建方式，这些实现细节尚未验证。 为提取判别信息并在增强后保留情绪语义，模型设置图协同教学学习模块，促进原始与增强视图之间的知识学习；另设协同教学正则化模块，约束语义层面的域不变性与一致性。其方法重点不仅是扩大增强分布，还包括防止统计扰动破坏任务语义。具体损失形式、训练流程及各模块的独立贡献尚未验证。 作者报告，在 SEED、SEED-IV 和 SEED-V 三个公开 EEG 情绪数据集上的实验支持 Ugan 相较所比较先进方法具有更好的跨被试泛化表现。摘要未提供指标数值、被试划分、预处理、对照方法及统计检验信息，因此不能量化优势或判断不同协议下的可比性。 复现时需核对跨被试划分、域统计估计所使用的数据范围、连接与特征增强的扰动强度，以及语义一致性约束的实现；还需结合全文消融验证双重增强与协同教学各自的贡献。实验协议、消融及统计信息尚未验证，代码与运行条件亦尚未验证。该研究直接面向 EEG 情绪识别，其结果不能据摘要外推为其他 BCI 任务中的有效性。