用于图表示的 Wasserstein 判别字典学习

基于摘要分析。本文研究图表示中判别性拓扑信息的提取，针对全局类内与类间散度计算困难、图拓扑复杂多样的问题，提出 Wasserstein Discriminant Dictionary Learning（WDDL），用于图分类与跨模态检索，而非直接面向 EEG 或 BCI。 方法首先构建由代表性图样本（graph keys）组成的图字典，再通过 Wasserstein Graph Representation（WGR）进行字典查询，将输入图映射到紧凑的字典空间。作者在可优化的图字典上定义 Wasserstein discriminant loss（WD-loss），使同类图键更紧凑、异类图键更分散，从而绕过全局 Wasserstein 度量中心的计算。摘要未给出损失的具体公式及优化过程。 拓扑建模方面，joint-Wasserstein 图嵌入模块同时考虑跨图节点关系与边关系：以 Wasserstein 度量刻画跨图节点关系，以 Kron–Gromov–Wasserstein（KGW）度量刻画跨图邻接关系。KGW 利用 Kronecker 运算描述跨图连接模式，再通过 connection pooling 自适应提取显著模式。其机制特点是将判别约束放在图字典上，并联合比较节点信息与连接结构。 作者报告，在图分类和跨模态检索任务中，与现有方法的比较及关键组件分析支持 WDDL 的有效性。摘要未提供数据集名称、划分、具体基线、指标数值或计算开销；实验协议、消融及统计信息尚未验证，代码与复现条件也尚未确认。 平台推测（待验证）：若 EEG 样本被构造成具有节点特征与连接矩阵的图，图字典与联合拓扑比较机制可能用于学习判别性表示；这是假设，不是本文已验证的 EEG 效果。迁移需明确 EEG 图构建方式、类别监督及训练数据规模，并改造节点特征、连接估计和通道对应处理。低信噪比可能使连接结构不稳定，跨被试差异、通道不一致和小数据条件可能使图键拟合训练域。可在固定 EEG 图构建与相同 Cross-subject 划分下，对比完整 WDDL 与去除 KGW 或 WD-loss 的版本，检验这些模块能否稳定改善分类表现，同时记录计算开销。已有 EEG 相关工作尚未检索确认。