同时进行图学习与图信号源盲分离的统一方法

基于摘要分析。该研究面向图信号的盲源分离（BSS），针对已有图方法需要预先知道底层图结构的问题，提出 U-GraphJADE-GL，在同一优化框架中同时学习图结构并分离信号源。其主要研究对象是一般图信号源分离，癫痫 EEG 去噪和语音源分离是所报告的应用场景，并非直接验证 BCI 解码性能。 核心机制是在源统计独立性之外，利用图结构所表达的依赖信息。作者将 GraphJADE 与图学习（GL）结合为统一目标函数，使用 Block Coordinate Descent（BCD，块坐标下降）进行优化。摘要未给出目标函数的具体形式、图约束、初始化方式及停止条件，这些实现细节尚未验证。 评估方面，作者将 U-GraphJADE-GL 与 GraDe 结合 GL 的 U-GraDe-GL 及传统 BSS 方法比较，同时分析图学习表现。作者还报告开展理论与实验收敛分析，并推导或给出混合矩阵、解混矩阵估计及可达到的 Interference-to-Source Ratio（ISR）的 Cramér-Rao bound（CRB），以考察方法的渐近性能。摘要没有提供具体数值，不能据此判断其相对优势大小。 作者报告该方法成功用于癫痫 EEG 去噪及语音源分离，但数据来源、被试数量、噪声类型、参考信号、数据划分和评价指标均尚未验证，实验协议、消融及统计信息也尚未验证。复现时应优先核对图的节点与边如何定义、图学习和源分离如何交替更新，以及 EEG 去噪是否在抑制干扰的同时保留癫痫相关信号；该应用结论不能直接外推为 BCI 任务性能提升。