HC-GAE：用于图表示学习的层次聚类图自编码器

基于摘要分析。该研究面向图表示学习，提出层次聚类图自编码器 HC-GAE，通过子图压缩与图结构重构提取层次化结构特征，用于节点分类和图分类；原研究对象是一般图数据，并非 EEG 或 BCI。 编码阶段采用硬节点分配，将输入图划分为相互分离的子图，再把各子图压缩为粗化节点，形成粗化图；解码阶段采用软节点分配，通过展开粗化节点重构原图结构。摘要将这一过程概括为双向层次结构特征提取，并提出整合编码器或解码器信息的重新设计损失，但未给出损失公式及各项约束。摘要对层次压缩所在阶段的表述存在重复，具体执行流程需核对全文。 其关键机制是将图卷积限制在各独立子图内，不在不同子图之间传播节点信息。作者据此主张可显著缓解传统卷积式 GAE 的过平滑，并报告在真实世界数据集上的节点分类和图分类实验支持方法有效性。摘要未列出数据集、划分、基线、具体指标或数值，实验协议、消融及统计信息尚未验证；尤其需要核对限制跨子图传播是否影响全局结构信息的保留。 平台推测（待验证）：假设将 EEG 通道作为节点、通道关系作为边，层次压缩与局部传播可能用于研究图表征过平滑，但这不构成 BCI 有效性证据。可复用部分是硬分配粗化与软分配重构；需改造的是 EEG 图构建、节点特征及任务目标，并明确训练数据规模与监督设置。低信噪比、跨被试连接差异、通道变化和小数据均可能使聚类不稳定，限制跨子图传播也可能丢失远距离交互。可在固定 EEG 数据划分与相同图构建下，对比 HC-GAE 和卷积式 GAE，并检验允许跨子图传播的变体，分别观察分类表现与节点表征相似度，以检验过平滑缓解是否伴随任务收益。已有相关 EEG 工作尚未检索确认。