QGRL：用于异质特征数据聚类的四元数图表示学习

基于摘要分析。该研究针对数值特征与类别特征混合数据的无监督聚类，试图缓解距离度量异质性与特征耦合对表示学习的影响。作者提出 Quaternion Graph Representation Learning（QGRL），通过分层耦合编码构建属性图，再以编码器—解码器形式进行四元数表示学习，并将聚类目标纳入训练，使表示学习与聚类联合优化。 核心机制是将混合特征之间的隐式耦合显式组织为图输入，并把既有监督式 Quaternion Representation Learning（QRL）对原始数据内生多视图耦合的建模能力扩展到无监督场景。摘要未说明属性图的节点与边定义、数值与类别特征的编码方式、四元数分量的构造、重构目标或聚类损失的具体形式，相关机制及训练细节尚未验证。 作者报告，在由不同数值与类别特征组合构成的数据集上，QGRL 的聚类准确性与鲁棒性优于对照方法。摘要未列出数据集、划分协议、对照基线、具体指标及数值，不能据此量化优势或比较不同评估协议。实验协议、消融及统计信息尚未验证。材料提供了源代码地址，但代码可用性、依赖环境及复现实验配置尚未核验。 平台推测（待验证）：该方法可能适用于同时包含连续 EEG 派生特征与类别属性的无监督样本聚类，而非直接针对原始 EEG 时序解码。可考虑复用属性图构建与表示—聚类联合优化框架，但需重新定义信号特征、类别属性及其耦合，核对类别属性是否引入任务标签或被试身份捷径。低信噪比、跨被试差异、通道配置变化和小样本条件可能导致图关系不稳定或聚类主要反映被试身份。一个可检验的假设是：在固定 EEG 特征、严格隔离任务标签并保持同一划分的条件下，分层耦合编码能否相对普通混合特征编码改善聚类一致性，并在跨被试数据上保持稳定。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性证据。